Regresi Linier Bayesian
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Membuat model regresi linier Bayesian
Kategori: Pembelajaran Mesin / Inisialisasi Model / Regresi
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ringkasan Modul
Artikel ini menjelaskan cara menggunakan modul Regresi Linier Bayesian di Pembelajaran Mesin Studio (klasik), untuk menentukan model regresi berdasarkan statistik Bayesian.
Setelah Anda menentukan parameter model, Anda harus melatih model menggunakan himpunan data yang ditandai dan modul Model Kereta Api. Model terlatih kemudian dapat digunakan untuk membuat prediksi. Atau, model yang tidak terlatih dapat diteruskan ke Cross-Validate Model untuk validasi silang terhadap kumpulan data berlabel.
Lebih lanjut tentang regresi Bayesian
Dalam statistik, pendekatan Bayesian terhadap regresi sering dikontraskan dengan pendekatan frequentist .
Pendekatan Bayesian menggunakan regresi linier yang dilengkapi dengan informasi tambahan dalam bentuk distribusi probabilitas sebelumnya. Informasi sebelumnya tentang parameter dikombinasikan dengan fungsi kemungkinan untuk menghasilkan perkiraan untuk parameter.
Sebaliknya, pendekatan frequentist, diwakili oleh regresi linier kuadrat terkecil standar, mengasumsikan bahwa data berisi pengukuran yang cukup untuk menciptakan model yang bermakna.
Untuk informasi lebih lanjut tentang penelitian di balik algoritma ini, lihat tautan di bagian Catatan Teknis .
Cara mengkonfigurasi Regresi Bayesian
Tambahkan modul Regresi Linier Bayesian ke eksperimen Anda. Anda dapat menemukan modul ini di bawah Pembelajaran Mesin, Menginisialisasi, dalam kategori Regresi.
Bobot regularisasi: Ketik nilai yang akan digunakan untuk regularisasi. Regularisasi digunakan untuk mencegah overfitting. Berat ini sesuai dengan L2. Untuk informasi selengkapnya, lihat bagian Catatan Teknis .
Izinkan level kategoris yang tidak diketahui: Pilih opsi ini untuk membuat pengelompokan untuk nilai yang tidak diketahui. Model hanya dapat menerima nilai yang terkandung dalam data pelatihan. Model ini mungkin kurang tepat pada nilai yang diketahui tetapi memberikan prediksi yang lebih baik untuk nilai baru (tidak diketahui).
Koneksi dataset pelatihan, dan salah satu modul pelatihan. Jenis model ini tidak memiliki parameter yang dapat diubah dalam sapuan parameter, jadi meskipun Anda dapat melatih model menggunakan Tune Model Hyperparameters, ia tidak dapat secara otomatis mengoptimalkan model.
Pilih kolom numerik tunggal yang ingin Anda model atau prediksi.
Jalankan eksperimen.
Hasil
Setelah pelatihan selesai:
- Untuk melihat ringkasan parameter model, klik kanan output modul Model Kereta api dan pilih Visualisasikan.
- Untuk membuat prediksi, gunakan model terlatih sebagai input ke Model Skor.
Contoh
Untuk contoh model regresi, lihat Galeri AI Azure.
- Bandingkan contoh Model Regresi: Kontras dengan beberapa jenis model regresi yang berbeda.
Catatan teknis
Penggunaan koefisien lambda dijelaskan secara rinci dalam buku teks ini tentang pembelajaran mesin: Pengenalan Pola dan Pembelajaran Mesin, Christopher Bishop, Springer-Verlag, 2007.
Artikel ini tersedia sebagai unduhan PDF dari situs Microsoft Research: Regresi dan Klasifikasi Bayesian
Parameter modul
| Nama | Rentang | Jenis | Default | Deskripsi |
|---|---|---|---|---|
| Bobot regularisasi | >=ganda. Epsilon | Mengambang | 1,0 | Ketik konstanta untuk digunakan dalam regularisasi. Konstanta mewakili rasio presisi berat sebelum presisi kebisingan. |
| Izinkan level kategoris yang tidak diketahui | Apa pun | Boolean | TRUE | Jika true membuat level tambahan untuk setiap kolom kategoris. Setiap level dalam himpunan data pengujian yang tidak tersedia dalam himpunan data pelatihan dipetakan ke tingkat tambahan ini. |
Output
| Nama | Jenis | Deskripsi |
|---|---|---|
| Model tak terlatih | Antarmuka ILearner | Model regresi linier Bayesian yang tidak terlatih |