Adatátalakítás – Skálázás és csökkentés
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 numerikus adatokkal dolgozhat. Gépi tanulás esetén a gyakori adatfeladatok közé tartozik a numerikus értékek kivágása, kitűzése és normalizálása. Más modulok támogatják a dimenziócsökkentést.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
Numerikus adatok modellezése
Az olyan feladatok, mint a numerikus változók normalizálása, kitűzése vagy újraelosztása fontos részét képezi a gépi tanulás adat-előkészítésének. A csoport moduljai a következő adatelőkészítési feladatokat támogatják:
- Az adatok különböző méretű vagy eloszlású tárolókba csoportosítása.
- Ki- és kivenni való értékek eltávolítása vagy az értékük módosítása.
- Numerikus értékek egy adott tartományba való normalizálása.
- Jellemzőoszlopok tömör készletének létrehozása nagy dimenziós adatkészletből.
Kapcsolódó feladatok
- Válassza ki a modell kiépítése során használni kívánt releváns és hasznos funkciókat: Használja a Funkcióválasztás vagy a Lineáris lineáris diszkrimináns elemzési modulokat.
- Az értékek száma alapján válasszon funkciókat: Használja a Tanulás a Counts (Darabszámok) modullal.
- Hiányzó értékek eltávolítása vagy cseréje: Használja a Clean Missing Data (Hiányzó adatok törlése) modult .
- Kategorikus értékek cseréje számításokból származtatott numerikus értékekre: Használja a Különálló értékek cseréje modult .
- Különálló vagy numerikus oszlopok valószínűségi eloszlását számítja ki: Használja a Valószínűségi függvény kiértékelése modult .
- Digitális jelek és hullámformák szűrése és átalakítása: Használja a Filter modult .
Modulok listája
Ez az adatátalakítás – Méretezés és Csökkentés kategória a következő modulokat tartalmazza:
- Clip Values (Klipértékek): Észleli a ki- és kijönő értékeket, majd klipeket ad meg, vagy lecseréli azok értékeit.
- Adatok csoportosítása tárolókba: A numerikus adatokat tárolókba helyezi.
- Adatok normalizálása: Újraméretzi a numerikus adatokat, hogy az adatkészlet értékeit standard tartományra korlátozza.
- Fő összetevő elemzése: Olyan funkciókat számít ki, amelyek dimenziószáma csökkent a hatékonyabb tanulás érdekében.