AutoML-besorolás
Ez a cikk az Azure Machine Learning-tervező egy összetevőjét ismerteti.
Ezzel az összetevővel létrehozhat egy autoML-besoroláson alapuló gépi tanulási modellt.
Konfigurálás
Ez az összetevő létrehoz egy besorolási modellt a táblázatos adatokon.
Ehhez a modellhez betanítási adatkészlet szükséges. Az érvényesítési és tesztelési adathalmazok megadása nem kötelező.
Az AutoML több folyamatot hoz létre párhuzamosan, amelyek különböző algoritmusokat és paramétereket próbálnak ki a modellhez. A szolgáltatás a funkciókiválasztásokkal párosított ML-algoritmusokon keresztül iterál, ahol minden iteráció egy betanítási pontszámmal rendelkező modellt hoz létre. Kiválaszthatja azt a metrikát, amelyre optimalizálni szeretné a modellt. Minél jobb a választott metrika pontszáma, annál jobb, ha a modell "illeszkedik" az adatokhoz. Definiálhat kilépési feltételeket a kísérlethez. A kilépési feltétel egy olyan modell lesz, amely egy adott betanítási pontszámot tartalmaz, amelyet az AutoML-nek meg kell találnia. Leáll, amint eléri a megadott kilépési feltételeket. Ez az összetevő a futtatás végén létrehozott legjobb modellt adja ki az adathalmazhoz.
Adja hozzá az AutoML besorolási összetevőt a folyamathoz.
Adja meg a céloszlopot , amelyet a modellnek ki szeretne adni
A besoroláshoz a mély tanulást is engedélyezheti.
Ha a mély tanulás engedélyezve van, az ellenőrzés train_validation felosztásra korlátozódik.
(Nem kötelező) További konfigurációs beállítások megtekintése: a betanítási feladat jobb szabályozásához használható további beállítások. Ellenkező esetben az alapértelmezett értékek a kísérlet kiválasztása és az adatok alapján lesznek alkalmazva.
További konfigurációk Leírás Elsődleges metrika A modell pontozásához használt fő metrika. További információ a modellmetrikákról. Modell hibakeresése a Felelős AI-irányítópulton Hozzon létre egy felelős AI-irányítópultot a javasolt legjobb modell holisztikus értékeléséhez és hibakereséséhez. Ilyenek például a modellmagyarázatok, a méltányosság és a teljesítménykezelő, az adatkezelő és a modellhibák elemzése. További információ a Felelős AI-irányítópultok létrehozásának módjáról. Letiltott algoritmus Válassza ki azokat az algoritmusokat, amelyeket ki szeretne zárni a betanítási feladatból.
Az algoritmusok engedélyezése csak SDK-kísérletekhez érhető el.
Tekintse meg az egyes feladattípusok támogatott algoritmusait.Kilépési feltétel Ha ezen feltételek bármelyike teljesül, a betanítási feladat leáll.
Betanítási feladat ideje (óra):Mennyi ideig futhat a betanítási feladat.
Metrikapont küszöbértéke: Az összes folyamat minimális metrikapontszáma. Ez biztosítja, hogy ha rendelkezik egy meghatározott célmetrikával, amelyet el szeretne érni, ne töltsön több időt a betanítási feladaton a szükségesnél.Egyidejűség Egyidejű iterációk maximális száma: A betanítási feladatban tesztelendő folyamatok (iterációk) maximális száma. A feladat nem fog futni a megadott számú iterációnál. További információ arról, hogy az automatizált gépi tanulás hogyan hajt végre több gyermekfeladatot a fürtökön. A [Nem kötelező] Ellenőrzés és tesztelés űrlapon az alábbi műveleteket végezheti el.
Adja meg a betanítási feladathoz használni kívánt érvényesítés típusát.
Adjon meg egy tesztadatkészletet (előzetes verzió) az automatizált gépi tanulás által a kísérlet végén létrehozott ajánlott modell kiértékeléséhez. Amikor tesztadatokat ad meg, a tesztfeladat automatikusan aktiválódik a kísérlet végén. Ez a tesztfeladat csak az automatizált gépi tanulás által ajánlott legjobb modellen végzett feladat.
Fontos
A létrehozott modellek kiértékeléséhez tesztadatkészlet biztosítása előzetes verziójú funkció. Ez a funkció egy kísérleti előzetes verziójú funkció, amely bármikor változhat.
- A tesztelési adatok elkülönülnek a betanítástól és az ellenőrzéstől, így nem torzítják az ajánlott modell tesztfeladatának eredményeit. További információ a torzításról a modell érvényesítése során.
- Megadhat saját tesztadatkészletet, vagy dönthet úgy, hogy a betanítási adathalmaz egy százalékát használja. A tesztadatoknak Azure Machine Learning TabularDataset formátumban kell lenniük.
- A tesztadatkészlet sémájának meg kell egyeznie a betanítási adatkészletével. A céloszlop megadása nem kötelező, de ha nem jelez céloszlopot, a rendszer nem számítja ki a tesztmetrikákat.
- A tesztadatkészlet nem lehet ugyanaz, mint a betanítási vagy az érvényesítési adatkészlet.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket .