Megosztás a következőn keresztül:

AutoML-rendszerképek besorolása

  • Cikk

Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.

Ezzel az összetevővel létrehozhat egy autoML-rendszerképbesoroláson alapuló gépi tanulási modellt.

Konfigurálás

Kövesse ezt a hivatkozást az összetevő konfigurálható paramétereinek teljes listájához.

Ehhez a modellhez betanítási adatkészlet szükséges. Az adathalmazok érvényesítése és tesztelése nem kötelező.

Ezen a hivatkozáson további információt kaphat az adathalmaz előkészítéséről . Az adatkészlethez olyan címkézett adatkészletre lesz szükség, amely tartalmaz egy címkeoszlopot, amely minden sorhoz tartalmaz értéket.

Az AutoML számos (max_trials-ben megadott) próbaverziót futtat párhuzamosan (max_concurrent_trials), amelyek különböző algoritmusokat és paramétereket próbálnak ki a modellhez. A szolgáltatás a hiperparaméter-kijelölésekkel párosított ML-algoritmusokon keresztül iterál, és minden próba egy betanítási pontszámmal rendelkező modellt hoz létre. Kiválaszthatja azt a metrikát, amelyhez optimalizálni szeretné a modellt. Minél jobb a kiválasztott metrika pontszáma, annál jobb, ha a modell "illeszkedik" az adatokhoz. A kísérlethez definiálhat kilépési feltételeket (megszüntetési szabályzatot). A kilépési feltételek egy adott betanítási pontszámmal rendelkező modell lesznek, amelyet az AutoML-nek meg kell találnia. A megadott kilépési feltételek teljesülése után leáll. Ez az összetevő a futtatás végén létrehozott legjobb modellt adja ki az adathalmazhoz.

  1. Adja hozzá az AutoML képosztályozási összetevőt a folyamathoz.

  2. Adja meg a céloszlopot , amelyet a modellnek ki szeretne adni

  3. Adja meg a modell sikerének méréséhez használni kívánt elsődleges metrikát . Ezen a hivatkozáson a számítógépes látás egyes elsődleges mérőszámainak magyarázatát tekinti meg.

  4. (Nem kötelező) Az algoritmusbeállításokat konfigurálhatja. Ezen a hivatkozáson megtekintheti a számítógépes látás támogatott algoritmusainak listáját.

  5. (Nem kötelező) A feladatok korlátainak konfigurálásához tekintse meg ezt a hivatkozást további magyarázatért.

  6. (Nem kötelező) Ezen a hivatkozáson megtekintheti a feladatseprő mintavételezési és korai felmondási konfigurációinak listáját. Az egyes szabályzatokról és mintavételezési módszerekről további információt is találhat.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket.