Machine Learning-algoritmus – Cheat Sheet for Azure Machine Learning Designer
Az Azure Machine Learning Algorithm Cheat Sheet segítségével kiválaszthatja a megfelelő algoritmust a tervezőtől egy prediktív elemzési modellhez.
Feljegyzés
A Tervező kétféle összetevőt támogat, a klasszikus előre összeállított összetevőket (v1) és az egyéni összetevőket (v2). Ez a két összetevőtípus NEM kompatibilis.
A klasszikus előre összeállított összetevők elsősorban az adatfeldolgozáshoz és a hagyományos gépi tanulási feladatokhoz, például a regresszióhoz és a besoroláshoz biztosítanak előre összeállított összetevőket. Ez az összetevőtípus továbbra is támogatott marad, de nem lesznek új összetevők hozzáadva.
Az egyéni összetevők lehetővé teszik, hogy a saját kódját összetevőként csomagolja. Támogatja az összetevők munkaterületek közötti megosztását és a közvetlen létrehozást a Studio, a CLI v2 és az SDK v2 felületeken.
Új projektek esetén javasoljuk, hogy egyéni összetevőt használjon, amely kompatibilis az AzureML V2-vel, és folyamatosan új frissítéseket fog kapni.
Ez a cikk a klasszikus előre összeállított összetevőkre vonatkozik, és nem kompatibilis a CLI v2-vel és az SDK v2-vel.
Az Azure Machine Learning a besorolási, ajánlórendszerek, fürtözési, anomáliadetektálási, regressziós és szövegelemzési családok algoritmusainak nagy tárával rendelkezik. Mindegyik más típusú gépi tanulási probléma megoldására lett kialakítva.
További információ: Algoritmusok kiválasztása.
Letöltés: Machine Learning Algorithm Cheat Sheet
Töltse le a cheat sheet itt: Machine Learning Algorithm Cheat Sheet (11x17 in.)
Töltse le és nyomtassa ki a Machine Learning Algorithm Cheat Sheet lapot bulvárméretben, hogy kéznél maradjon, és segítséget kapjon egy algoritmus kiválasztásához.
A Machine Learning Algorithm cheat sheet használata
Az ebben az algoritmus-csalási lapon kínált javaslatok hozzávetőlegesen a hüvelykujj szabályai. Néhány lehet hajlított, és néhány lehet súlyosan megsértve. Ez a csalilap célja, hogy javasolja a kiindulási pont. Ne féljen fejtől-szemben versenyezni az adatok több algoritmusa között. Egyszerűen nem helyettesíthető az egyes algoritmusok és az adatokat létrehozó rendszer alapelveinek megértése.
Minden gépi tanulási algoritmusnak saját stílusa vagy induktív torzítása van. Egy adott probléma esetén több algoritmus is megfelelő lehet, és az egyik algoritmus jobban illik a többihez. De nem mindig lehet előre tudni, ami a legjobb választás. Ilyen esetekben több algoritmus is szerepel a csalási lapon. A megfelelő stratégia egy algoritmus kipróbálása, és ha az eredmények még nem kielégítőek, próbálkozzon a többiekkel.
Az Azure Machine Learning-tervező algoritmusairól az Algoritmus és az összetevő referenciája című témakörben olvashat bővebben.
Gépi tanulás típusai
A gépi tanulásnak három fő kategóriája van: felügyelt tanulás, felügyelet nélküli tanulás és megerősítési tanulás.
Felügyelt tanulás
A felügyelt tanulásban minden adatpont címkével van ellátva, vagy egy érdekes kategóriához vagy értékhez van társítva. Egy kategorikus címkére példa, ha egy képet "macska" vagy "kutya" néven rendel hozzá. Az értékcímkére példa a használt autóhoz társított eladási ár. A felügyelt tanulás célja, hogy sok ilyen címkével ellátott példát tanulmányozhasson, majd előrejelzéseket tudjon készíteni a jövőbeli adatpontokról. Például azonosítsa az új fényképeket a megfelelő állattal, vagy pontos értékesítési árakat rendeljen más használt autókhoz. Ez a gépi tanulás népszerű és hasznos típusa.
Felügyelet nélküli tanulás
A nem felügyelt tanulásban az adatpontokhoz nincsenek címkék társítva. Ehelyett a nem felügyelt tanulási algoritmus célja az adatok valamilyen módon történő rendszerezése vagy struktúrájának leírása. A nem felügyelt tanulás fürtökbe csoportosítja az adatokat, ahogyan a K-eszközök is, vagy különböző módszereket talál az összetett adatok keresésére, hogy egyszerűbbnek tűnhessenek.
Megerősítő tanulás
A megerősítési tanulás során az algoritmus minden adatpontra válaszul kiválaszt egy műveletet. Ez egy gyakori megközelítés a robotikában, ahol az érzékelők egy adott időpontban mért adatai egy adatpont, és az algoritmusnak ki kell választania a robot következő műveletét. Ez is természetes illeszkedik az Internet of Things alkalmazásokhoz. A tanulási algoritmus rövid időn belül jutalomjelzést is kap, amely jelzi, hogy milyen jó döntés volt. Ezen jel alapján az algoritmus módosítja a stratégiáját a legmagasabb jutalom elérése érdekében.