Átalakítás alkalmazása

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.

Jól meghatározott adatátalakítást alkalmaz egy adatkészleten

Kategória: Machine Learning / Pontszám

Megjegyzés

A következőkre vonatkozik: Machine Learning Studio (klasszikus)

Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.

A modul áttekintése

Ez a cikk azt ismerteti, hogyan használható az Átalakítás alkalmazása modul a Machine Learning Studióban egy bemeneti adatkészlet módosítására egy korábban kiszámított átalakítás alapján.

Ha például z-pontszámok használatával normalizálja a betanítás adatait az Adatok normalizálása modullal, akkor a pontozási fázis során betanításra kiszámított z-score értéket is használnia kell. A Machine Learning Studióban (klasszikus) ezt egyszerűen meg lehet tenni a normalizálási módszer átalakításként való mentésével, majd az Átalakítás alkalmazása használatával alkalmazhatja a z-pontszámot a bemeneti adatokra a pontozás előtt.

Machine Learning Studio (klasszikus) számos különböző típusú egyéni átalakítás létrehozását és alkalmazását támogatja. Például mentheti, majd újra felhasználhatja az alábbi átalakításokat:

• Hiányzó értékek eltávolítása vagy cseréje a Clean Missing Data (Hiányzó adatok törlése) használatával

• Adatok csoportosítása, méretezése és normalizálása az Adatok normalizálása vagy az Adatok csoportosítása tárolókba használatával

• Kompakt jellemzők készletének létrehozásához számítsa ki az adathalmazok közös valószínűségi eloszlását a Tanulás Counts modulokkal.

Átalakítás alkalmazása

1. Adja hozzá az Átalakítás alkalmazása modult a kísérlethez. A modul a Pontszám Machine Learning alatttalálható.

2. Keresse meg a bemenetként használni szükséges meglévő átalakítást.

   Ha az átalakítást a kísérlet korábbi részében hozták létre (például egy tisztítási vagy adatméretezési művelet részeként), az ITransform interfészobjektum általában elérhető a modul jobb oldali kimenetében. Csatlakozás a kimenetet az Átalakítás alkalmazása bal oldali bemenetére.

   A korábban mentett átalakítások a bal oldali navigációs panel Átalakítások csoportjában találhatók.

   Tipp

   Ha átalakítást tervez egy kísérlethez, de nem menti explicit módon, az átalakítás addig érhető el a munkaterületen, amíg a munkamenet meg van nyitva. Ha bezárja a munkamenetet, de nem menti az átalakítást, a kísérlet újrafuttatása után létrehozhatja az ITransform interfészobjektumot .

3. Csatlakozás az átalakítani kívánt adatkészletet. Az adatkészlet sémája (oszlopok száma, oszlopnevek, adattípusok) pontosan meg kell egyforma, mint annak az adatkészletnek, amelyhez az átalakítást megterveték.

4. Más paramétereket nem kell beállítani; az átalakítás definiálása során minden testreszabást végez.

5. Ha átalakítást kell alkalmaznia az új adatkészletre, futtassa a kísérletet.

Példák

A modul gépi tanulásban való használatával kapcsolatban lásd a Azure AI Gallery:

• Online csalásészlelés: Ez a minta bemutatja , hogyan használható az Átalakítás alkalmazása hiányzó adatok tisztításával annak érdekében, hogy a hiányzó értékek kezelése minden adatkészletben azonos legyen.

• Prediktív karbantartás: Bemutatja, hogyan használható az átalakítás azadatok normalizálásával.

• Tanulás meg a Darabszámok: Átalakítás alkalmazása funkcióval újra felhasználja a számlálási táblázatot.

Technikai megjegyzések

Az Átalakítás alkalmazása modul bármely olyan modul kimenetét felhasználhatja bemenetként, amely egy ITransform-felületet hoz létre. Ezek a modulok a következők:

• Hiányzó adatok törlése

• Adatok normalizálása

• Adatok csoportosítása intervallumokba

• Tanulás a Counts (Darabszámok) számlálással

Tipp

Emellett mentheti és újra felhasználhatja a digitális jelfeldolgozáshoz tervezett szűrőket. A szűrők azonban az IFilter interfészt használják az ITransform felület helyett.

Várt bemenetek

Név	Típus	Description
Átalakítás	ITransform interfész	Egyenletlen adatátalakítás
Adathalmaz	Adattábla	Átalakítható adatkészlet

Kimenetek

Név	Típus	Description
Átalakított adatkészlet	Adattábla	Átalakított adatkészlet

Kivételek

Kivétel	Description
0003-as hiba	Kivétel történik, ha egy vagy több bemenet null vagy üres.

A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.

Az API-kivételek listájáért tekintse meg a Machine Learning REST API hibakódokat.

Lásd még

Szűrő
SQL-átalakítás alkalmazása
Hiányzó adatok törlése
Adatok normalizálása
A–Z modullista
Adatok csoportosítása intervallumokba