Machine Learning – Modell inicializálása
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Ez a cikk a Machine Learning Studio (klasszikus) moduljait ismerteti, amelyek segítségével gépi tanulási modellt definiálhat és beállíthatja annak paramétereit.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A nem képezett modell olyan specifikációként is fel gondoljon, amely különböző bemeneti adatkészletek esetében alkalmazható. Alkalmazhatja ugyanazt a modellspecifikációt különböző adatokra, és különböző eredményeket kap. A specifikációval újra is képezheti a modellt. Ezután hozzáadhat új adatokat.
Ez a cikk a modellek létrehozásának, betanításának, értékelésének és pontozásának általános folyamatát is ismerteti a Machine Learning Studióban.
Gépi tanulási modellek létrehozása és használata a Machine Learning Studióban (klasszikus)
A gépi tanulás tipikus munkafolyamata a következő fázisokat foglalja magában:
- Válasszon ki egy megfelelő algoritmust, és adja meg a kezdeti beállításokat.
- A modell betanítása kompatibilis adatok használatával.
- Előrejelzéseket hozhat létre új adatok használatával a modellben használt minták alapján.
- Értékelje ki a modellt, és állapítsa meg, hogy az előrejelzések pontosak-e, a hiba mennyisége és a túlilledés bekövetkezik-e.
Machine Learning Studio (klasszikus) támogatja a gépi tanulás rugalmas, testreszabható keretrendszerét. A folyamat minden feladatát egy adott modultípus végzi el. A modulok anélkül módosíthatók, hozzáadhatók vagy távolíthatók el, hogy a kísérlet további részét fel kellene használni.
Az ebben a kategóriában megadott modulokkal válasszon ki egy kezdeti algoritmust. Ezután konfigurálja a részletes paramétereket az adott modelltípus alapján. Ezután alkalmazhatja ezt a modellspecifikációt egy adatkészletre.
A modellek létrehozásáról
Machine Learning gépi tanulási algoritmusokat kínál, amelyek segítenek elemzési modelleket összeépíteni. Minden algoritmus saját modulba van csomagolva. Testreszabott modell létrehozása:
Válasszon modellt kategória szerint.
Az algoritmusok a prediktív feladatok adott típusai szerint vannak csoportosítva. Ilyen például a regresszió, a besorolás és a képfelismerés. Az első feladat a végrehajtani kívánt gépi tanulási feladat általános kategóriájának azonosítása, majd egy algoritmus kiválasztása.
Algoritmusparaméterek konfigurálása.
Az egyes modulok Tulajdonságok panelével állíthat be paramétereket. A paraméterek azt ják meg, hogy a modell hogyan tanul az adatokból.
A modell betanítása adatok alapján.
A modell konfigurálása után csatlakoztassa az adatkészletet. Ezután a betanító modulok egyikének használatával futtathat adatokat a használni kívánt algoritmusokkal.
A Modell hiperparaméterek hangolása lehetőségével iterálhatja az összes lehetséges paramétert, és meghatározhatja a feladat és az adatok optimális konfigurációját.
Előrejelzés, pontozás vagy értékelés.
A modell létrehozása és betanítás után a következő lépés általában az egyik pontozási modul használata, hogy előrejelzéseket hozzon létre a modell alapján.
A modellek kiértékelési moduljaival felmérheti a modell pontosságát a generált pontszámok alapján.
Modulok listája
Az ebben a kategóriában található modulok a modulok által tartalmazott gépi tanulási algoritmus típusa szerint vannak rendezve. Az algoritmusok minden típusához általában más típusú adatokra van szükség.
Kapcsolódó feladatok
Az itt ismertetett hagyományos gépi tanulási algoritmuskategóriák mellett a következő modulok speciális adattípusokat biztosítanak az adatokból vagy az előfeldolgozásból való tanuláshoz: