Megjegyzés
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhat bejelentkezni vagy módosítani a címtárat.
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhatja módosítani a címtárat.
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.
Létrehoz egy Bayes-irányú lineáris regressziós modellt
Kategória: Machine Learning / Modell inicializálása / Regresszió
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 a Bayes-alapú lineáris regresszió modul a Machine Learning Studio (klasszikus) moduljában a Bayes-statisztikákon alapuló regressziós modell definiálására.
A modellparaméterek meghatározása után címkézett adatkészlet és a Modell betanítása modul használatával kell betaníta a modellt. A betanított modell ezután előrejelzésekhez használható. Másik lehetőségként a nem képezett modell át is átvitele a Modell keresztellenőrzése számára a címkézett adathalmazok keresztellenőrzése érdekében.
További információ a Bayes-regresszióról
A statisztikákban a bayesi regressziós megközelítés gyakran eltér a frequentist megközelítéstől .
A Bayes-módszer lineáris regressziót használ, amelyet további információk egészülnek ki egy előzetes valószínűségi eloszlás formájában. A paraméterekre vonatkozó korábbi információk a valószínűségi függvényekkel kombinálva generálnak becsléseket a paraméterekhez.
Ezzel szemben a frequentist módszer, amelyet a standard legkisebb négyzetes lineáris regresszió képvisel, feltételezi, hogy az adatok megfelelő méréseket tartalmaznak egy jelentéssel bíró modell létrehozásához.
Az algoritmussal kapcsolatos kutatásokkal kapcsolatos további információkért tekintse meg a Műszaki megjegyzések szakaszban található hivatkozásokat .
A Bayes-regresszió konfigurálása
Adja hozzá a Bayes-lineáris regresszió modult a kísérlethez. Ezt a modult a Regresszió Machine Learning szakaszban, az Inicializálásszakaszban találja.
Regularizációs súly: Írjon be egy értéket a regularizáláshoz. A regularizációval megelőzhető a túlillesztés. Ez a súly az L2 betűnek felel meg. További információkért lásd a Műszaki megjegyzések szakaszt .
Ismeretlen kategorikus szintek engedélyezése: Ezzel a beállítással csoportokat hozhat létre ismeretlen értékekhez. A modell csak a betanítás adataiban szereplő értékeket tudja elfogadni. Előfordulhat, hogy a modell kevésbé pontos az ismert értékek esetében, de jobb előrejelzéseket biztosít az új (ismeretlen) értékekhez.
Csatlakozás adatkészletet és az egyik betanító modult. Ez a modelltípus nem rendelkezik paraméteres átvizsgáláskor módosítható paraméterekkel, így bár a modell betanítható a Modell hiperparaméterek hangolása használatával, nem tudja automatikusan optimalizálni a modellt.
Válassza ki a modellezni vagy előrejelezni kívánt numerikus oszlopot.
Futtassa a kísérletet.
Results (Eredmények)
A betanítás befejezése után:
- A modell paramétereinek összegzéséhez kattintson a jobb gombbal a Train Model (Modell betanítása) modul kimenetére, és válassza a Visualize (Képi megjelenítés) lehetőséget.
- Előrejelzések létrehozásához használja a betanított modellt a Modell pontozása bemenetként.
Példák
Példák a regressziós modellekre: Azure AI Gallery.
- Regressziós modellek összehasonlítása minta: Több különböző típusú regressziós modell kontrasztja.
Technikai megjegyzések
A lambda együttható használatát részletesen ismerteti ez a gépi tanulásról írt szöveg: Pattern Recognition and Machine Learning, Christopher Machine Learning, Springer-Verlag, 2007.
Ez a cikk PDF-fájlként letölthető a Microsoft Research webhelyről: Bayes-regresszió és besorolás
Modulparaméterek
| Name | Tartomány | Típus | Alapértelmezett | Description |
|---|---|---|---|---|
| Regularizációs súly | >=double. Epsilon | Float | 1.0 | Írjon be egy konstanst a regularizációhoz. A konstans a súly pontosságának a zaj pontossága előtti arányát jelöli. |
| Ismeretlen kategorikus szintek engedélyezése | Bármelyik | Logikai | true | Ha a true (igaz) érték egy további szintet hoz létre az egyes kategorikus oszlopokhoz. A tesztadatkészletnek a betanítás adatkészletében nem elérhető szintjei erre a további szintre vannak leképezve. |
Kimenetek
| Név | Típus | Description |
|---|---|---|
| Nem képezett modell | ILearner interfész | Egy nem képezett Bayes-edik lineáris regressziós modell |