Appliquer le filtre
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Applique un filtre aux colonnes spécifiées d'un jeu de données
Catégorie : transformation/filtre de données
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
cet article descries comment utiliser le module appliquer le filtre dans Machine Learning Studio (classic) pour transformer une colonne de valeurs en appliquant un filtre précédemment défini. Les filtres sont utilisés dans le traitement des signaux numériques pour réduire le bruit ou mettre en évidence un modèle. Ainsi, les valeurs que vous transformez sont toujours numériques et représentent généralement un type de signal audio ou visuel.
Conseil
Recherchez-vous un autre type de filtre ? Studio (classique) fournit ces modules pour échantillonner des données, obtenir un sous-ensemble de données, supprimer des valeurs incorrectes ou créer des jeux de test et d’apprentissage : fractionnerdes données, nettoyer les données manquantes, partitionner et échantillonner, appliquer SQL Transformation, insérer des valeurs. Si vous avez besoin de filtrer les données à mesure que vous les Lisez à partir d’une source, consultez importer des données. Les options dépendent du type de source.
Après avoir déterminé le type de filtre le mieux adapté à votre source de données, vous spécifiez les paramètres et utilisez appliquer le filtre pour transformer le jeu de données. Étant donné que la création de filtres est distincte du processus d'application d'un filtre, les filtres sont réutilisables. Par exemple, si vous utilisez souvent des données employées pour la prévision, vous pouvez créer plusieurs types de filtres de moyenne mobile pour former et comparer plusieurs modèles. Vous pouvez également enregistrer le filtre pour l’appliquer à d’autres expériences ou à des jeux de données différents.
Comment configurer appliquer un filtre
Ajoutez le module appliquer le filtre à votre expérience. Vous pouvez trouver le module de filtre IIR sous transformation des donnéesdans la catégorie filtres .
À l’entrée de droite, connectez un jeu de données qui contient des valeurs numériques à une entrée.
À l’entrée de gauche, connectez un filtre existant. Vous pouvez réutiliser un filtre enregistré, ou vous pouvez configurer un filtre à l’aide de l’un des modules de filtre suivants : filtre de seuil, filtre de moyenne mobile, filtre médian, filtre IIR, filtre FIR, filtre défini par l’utilisateur.
Dans le volet Propriétés de appliquer le filtre, cliquez sur lancer le sélecteur de colonne et choisissez les colonnes auxquelles le filtre doit être appliqué.
Exécutez l’expérience, ou cliquez avec le bouton droit sur appliquer le filtre , puis cliquez sur exécuter la sélection.
Résultats
La sortie contient uniquement les données dans les colonnes sélectionnées, transformées en appliquant la transformation mathématique prédéfinie spécifiée.
Si vous souhaitez voir d’autres colonnes dans le jeu de données, vous pouvez utiliser le module Ajouter des colonnes pour fusionner les jeux de données d’origine et filtrés.
Notes
Les valeurs de la colonne d’origine n’ont pas été supprimées ou remplacées et sont toujours disponibles dans l’expérience de référence. Toutefois, la sortie du filtre est généralement plus utile pour la modélisation.
Exemples
Pour obtenir des exemples d’utilisation de filtres dans Machine Learning, consultez la Azure ai Gallery:
- Filtres: illustre tous les types de filtres, à l’aide d’un jeu de données de forme d’onde conçu.
Notes techniques
Cette section contient des détails, des conseils et des réponses aux questions fréquentes concernant l’implémentation.
Le module appliquer le filtre lie le type de filtre spécifié aux colonnes sélectionnées. Si vous devez appliquer différents types de filtres à différentes colonnes, vous devez utiliser l' option Sélectionner des colonnes dans le jeu de données pour isoler les colonnes et appliquer différents types de filtres dans des flux de travail distincts. Pour plus d’informations, consultez Sélectionner des colonnes dans le jeu de données.
Les filtres ne passent pas par les colonnes de données qui ne sont pas affectées par le filtre. Autrement dit, la sortie du module Apply Filter contient uniquement des valeurs numériques transformées. Toutefois, vous pouvez utiliser le module Ajouter des colonnes pour joindre des valeurs transformées au jeu de données source.
Périodes de filtrage
La période de filtre est déterminée en partie par le type de filtre, comme suit :
Pour les filtres à réponse impulsionnelle finie (FIR, Finite Impulse Response), de moyenne mobile simple et de moyenne mobile triangulaire, la période du filtre est finie.
Pour les filtres à réponse impulsionnelle infinie (IIR, Infinite Impulse Response), de moyenne mobile exponentielle et de moyenne mobile cumulée, la période du filtre est infinie.
Pour les filtres de seuil, la période du filtre est toujours 1.
Pour les filtres médians, quelle que soit la période du filtre, les valeurs NaN et les valeurs manquantes dans le signal d'entrée ne produisent pas de nouvelles valeurs NaN en sortie.
Valeurs manquantes
Cette section décrit le comportement lorsque des valeurs manquantes sont rencontrées, par type de filtre. En général, lorsqu’un filtre rencontre un NaN ou une valeur manquante dans le jeu de données d’entrée, le jeu de données de sortie est endommagé avec des valeurs NaN pour un certain nombre d’échantillons, en fonction de la période de filtre. Cela entraîne les conséquences suivantes :
Les filtres de moyenne mobile FIR, simple ou triangulaire ont une période finie. Par conséquent, toute valeur manquante est suivie d’un nombre de valeurs NaN égal à l’ordre de filtre moins un.
Les filtres IIR, moyenne mobile exponentielle ou moyenne mobile cumulée ont une période infinie. Par conséquent, après la détection de la première valeur manquante, les valeurs NaN continuent de se propager indéfiniment.
Dans un filtre de seuil, la période d’un filtre de seuil est 1. Par conséquent, les valeurs manquantes et les valeurs NaN ne se propagent pas.
Pour les filtres médians, les valeurs NaN et les valeurs manquantes rencontrées dans le jeu de données d'entrée ne produisent pas de nouvelles valeurs NaN en sortie, quelle que soit la période du filtre.
Entrées attendues
| Nom | Type | Description |
|---|---|---|
| Filtrer | Interface IFilter | Implémentation de filtre |
| Dataset | Table de données | Jeu de données d'entrée |
pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.
pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.
Paramètres du module
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Jeu de colonnes | Quelconque | ColumnSelection | NumericAll | Sélectionner les colonnes à filtrer |
Output
| Nom | Type | Description |
|---|---|---|
| Jeu de données de résultats | Table de données | Jeu de données de sortie |