Fürtözési modulok
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 támogatják a fürtözési modellek létrehozását.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
Mi az a csoportosítás?
A gépi tanulásban a csoportosítás az adatpontok hasonló fürtökbe csoportosításának egyik módszere. Szegmentálásnak is nevezik.
Az évek során számos fürtözési algoritmust fejlesztettek ki. Szinte minden fürtözési algoritmus az egyes elemek funkcióival keres hasonló elemeket. Alkalmazhat például fürtözést, hogy hasonló személyeket keressen demográfiai adatok alapján. A szövegelemzéssel való csoportosítással a mondatokat hasonló témakörökkel vagy hangulatokkal csoportosíthatja.
A fürtözést nem felügyelt tanulási módszernek nevezzük, mivel címkézetlen adatokban is használható. A fürtözés valóban hasznos első lépés az új minták felderítéséhez, és kevés előzetes ismerettel kell rendelkezik az adatok strukturálhatóságát vagy az elemek egymáshoz való kapcsolódnak. A fürtözést gyakran használják az adatok más prediktívabb algoritmusokkal való elemzés előtti feltárására.
Fürtözési modell létrehozása
A Machine Learning Studióban (klasszikus) címkével vagy címkézetlen adatokkal is használhat fürtözést.
A címkézetlen adatokban a fürtözési algoritmus határozza meg, hogy mely adatpontok vannak a legközelebb egymáshoz, és fürtöt hoz létre egy központi pont vagy középpont körül. Ezután az adatcsoport ideiglenes címkéjeként használhatja a fürtazonosítót.
Ha az adatok címkéket tartalmaznak, a címkével megszabadhatja a fürtök számát, vagy használhatja a címkét más funkcióként is.
Miután konfigurálta a fürtözési algoritmust, az adatok betanítása a Fürtözési modell betanítása vagy a Fürtözési fürtszolgáltatás összes szolgáltatása modul használatával.
A modell betanítása után a használatával előrejelezhető az új adatpontok fürttagságának előrejelzése. Ha például fürtözéssel csoportosított ügyfeleket a vásárlási viselkedés alapján, a modellel előre jelezheti az új ügyfelek vásárlási viselkedését.
Modulok listája
A fürtözés kategóriája a következő modult tartalmazza:
- K-means fürtözés: Konfigurálja és inicializálja a K-means fürtözési modellt.
Kapcsolódó feladatok
Ha másik fürtözési algoritmust használ, vagy egyéni fürtözési modellt hoz létre az R használatával, tekintse meg az alábbi témaköröket:
Példák
A fürtözés gyakorlati példáiért lásd a Azure AI Gallery.
Az algoritmusok kiválasztásához az alábbi cikkekben talál segítséget:
Gépi tanulási algoritmusok adatlapja a Machine Learning Studióhoz (klasszikus)
Grafikus döntési diagramot biztosít, amely végigvezeti a kiválasztási folyamaton.
A Machine Learning, besorolási vagy regressziós algoritmusok kiválasztása
Részletesebben ismerteti a gépi tanulási algoritmusok különböző típusait és azok használatával együtt.