Référence sur les algorithmes et les composants pour concepteur Azure Machine Learning
S’APPLIQUE À : 
Kit de développement logiciel (SDK) Python azure-ai-ml v2 (actuelle)
Notes
Le concepteur prend en charge deux types de composants, les composants prédéfinis classiques et les composants personnalisés. Ces deux types de composants ne sont pas compatibles.
Les composants prédéfinis classiques fournissent principalement des composants prédéfinis pour le traitement des données et les tâches de Machine Learning traditionnelles telles que la régression et la classification. Ce type de composant continue d’être pris en charge, mais aucun nouveau composant n’est ajouté.
Les composants personnalisés vous permettent de fournir votre propre code en tant que composant. Cela permet le partage entre les espaces de travail et la création transparente dans les interfaces Studio, CLI et SDK.
Cet article s’applique aux composants prédéfinis classiques.
Cette référence présente le contexte technique de chacun des algorithmes et composants préconçus classiques disponibles dans le concepteur Azure Machine Learning.
Chaque composant représente un ensemble de code qui peut s’exécuter indépendamment et effectuer une tâche d’apprentissage automatique en fonction des entrées requises. Un composant peut contenir un algorithme particulier ou effectuer une tâche d’apprentissage automatique importante comme le remplacement d’une valeur manquante ou une analyse statistique.
Pour savoir quels algorithmes choisir, consultez
Conseil
Quel que soit le pipeline dans le concepteur, vous pouvez obtenir des informations sur un composant spécifique. Sélectionnez le lien En savoir plus dans la carte de composant lorsque vous pointez sur le composant dans la liste des composants, ou dans le volet droit du composant.
Composants de préparation de données
| Fonctionnalités | Description | component |
|---|---|---|
| Entrée et sortie de données | Déplacez des données de sources cloud dans votre pipeline. Écrivez les résultats ou les données intermédiaires dans le Stockage Azure ou SQL Database durant l’exécution d’un pipeline, ou utilisez le stockage cloud pour échanger les données entre les pipelines. | Entrer des données manuellement Exporter les données Importer des données |
| Transformation des données | Opérations sur les données qui sont uniques à Machine Learning, telles que la normalisation ou le compartimentage de données, la réduction de dimensionnalité et la conversion de données entre différents formats de fichier. | Ajouter des colonnes Ajouter des lignes Appliquer une opération mathématique Appliquer une transformation SQL Nettoyer les données manquantes Détourer les valeurs Convertir au format CSV Convertir en jeu de données Convertir en valeurs d’indicateur Modifier des métadonnées Grouper des données dans des compartiments Joindre des données Normaliser les données Partition et échantillon Supprimer les données en double SMOTE Sélectionner une transformation de colonnes Sélectionner des colonnes dans le jeu de données Fractionner les données |
| Sélection de caractéristiques | Sélectionnez un sous-ensemble de caractéristiques pertinentes et utiles qui serviront dans la création d’un modèle analytique. | Sélection de caractéristiques par filtrage Importance de la fonctionnalité de permutation |
| Fonctions statistiques | Fournissez un large éventail de méthodes statistiques relatives à la science des données. | Résumer les données |
Algorithmes de Machine Learning
| Fonctionnalités | Description | component |
|---|---|---|
| régression ; | Prédisez une valeur. | Régression d’arbre de décision boosté Régression de forêt d’arbres décisionnels Régression quantile de forêt rapide Régression linéaire Régression de réseau neuronal Régression de poisson |
| Clustering | Regroupez des données. | Clustering k-moyennes |
| classification ; | Prédisez une classe. Choisissez entre des algorithmes binaires (à deux classes) ou multiclasses. | Arbre de décision multiclasse optimisé Forêt d’arbres décisionnels multiclasse Régression logistique multiclasse Réseau neuronal multiclasse Une ou toutes les multiclasses Une ou une multiclasse Perceptron moyenné à deux classes Arbre de décision optimisé à deux classes Forêt d’arbres décisionnels à deux classes Régression logistique à deux classes Réseau neuronal à deux classes Machine à vecteurs de support à deux classes |
Composants pour la génération et l’évaluation de modèles
Service Web
Découvrez les composants de service web nécessaires à l’inférence en temps réel dans le concepteur Azure Machine Learning.
Messages d’erreur
Découvrez les messages d’erreur et codes d’exception que vous pourriez rencontrer en utilisant des composants dans le concepteur Azure Machine Learning.
Environnement des composants
Tous les composants intégrés du concepteur seront exécutés dans un environnement fixe fourni par Microsoft.
Auparavant, cet environnement était basé sur Python 3.6 et a maintenant été mis à niveau vers Python 3.8. Cette mise à niveau est transparente, car les composants s’exécutent automatiquement dans l’environnement Python 3.8 sans aucune action de l’utilisateur. La mise à jour de l’environnement peut avoir un impact sur les sorties des composants et le déploiement d’un point de terminaison en temps réel à partir d’une inférence en temps réel. Consultez les sections suivantes pour en savoir plus.
Les sorties des composants sont différentes des résultats précédents
Une fois la version de Python mise à niveau de 3.6 à 3.8, les dépendances des composants intégrés peuvent également être mises à niveau en conséquence. Par conséquent, vous pourriez remarquer que certaines sorties de composants sont différentes des résultats précédents.
Si vous utilisez le composant Exécuter le script Python et que vous avez déjà installé des packages liés à Python 3.6, vous pourriez rencontrer des erreurs telles que :
- « Impossible de trouver une version qui satisfait à l’exigence. »
- « Aucune distribution correspondante trouvée. » Vous devrez alors spécifier la version du package adaptée à Python 3.8, et exécuter à nouveau votre pipeline.
Problème de déploiement d’un point de terminaison en temps réel à partir d’un pipeline d’inférence
Si vous déployez directement un point de terminaison en temps réel à partir d’un pipeline d’inférence en temps réel terminé précédent, il peut rencontrer des erreurs.
Recommandation : clonez le pipeline d’inférence et envoyez-le à nouveau, puis déployez-le vers le point de terminaison en temps réel.