Bagikan melalui

Pembelajaran Mesin - Model Inisialisasi

  • Artikel

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.

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Artikel ini menjelaskan modul di Pembelajaran Mesin Studio (klasik) yang dapat Anda gunakan untuk menentukan model pembelajaran mesin dan mengatur parameternya.

Catatan

Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja

Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.

Anda dapat menganggap model yang tidak terlatih sebagai spesifikasi yang dapat Anda terapkan ke kumpulan data input yang berbeda. Anda mungkin menerapkan spesifikasi model yang sama ke data yang berbeda dan mendapatkan hasil yang berbeda. Atau, Anda dapat menggunakan spesifikasi untuk melatih kembali model. Anda kemudian dapat menambahkan data baru.

Artikel ini juga menjelaskan keseluruhan proses pembuatan, pelatihan, evaluasi, dan penilaian model di Pembelajaran Mesin Studio (klasik).

Membuat dan menggunakan model pembelajaran mesin di Pembelajaran Mesin Studio (klasik)

Alur kerja khas untuk pembelajaran mesin mencakup fase-fase ini:

  • Pilih algoritma yang sesuai dan atur opsi awal.
  • Latih model dengan menggunakan data yang kompatibel.
  • Buat prediksi dengan menggunakan data baru berdasarkan pola dalam model.
  • Evaluasi model untuk menentukan apakah prediksi akurat, jumlah kesalahan, dan apakah overfitting terjadi.

Pembelajaran Mesin Studio (klasik) mendukung kerangka kerja yang fleksibel dan dapat disesuaikan untuk pembelajaran mesin. Setiap tugas dalam proses ini dilakukan oleh jenis modul tertentu. Modul dapat dimodifikasi, ditambahkan, atau dihapus tanpa merusak sisa eksperimen Anda.

Gunakan modul dalam kategori ini untuk memilih algoritma awal. Kemudian, konfigurasikan parameter terperinci berdasarkan jenis model tertentu. Anda kemudian dapat menerapkan spesifikasi model ini ke satu set data.

Tentang membuat model

Pembelajaran Mesin menyediakan banyak algoritma pembelajaran mesin canggih untuk membantu Anda membangun model analitis. Setiap algoritma dikemas dalam modulnya sendiri. Untuk membuat model yang disesuaikan:

  1. Pilih model menurut kategori.

    Algoritma dikelompokkan berdasarkan jenis tugas prediktif tertentu. Contohnya termasuk regresi, klasifikasi, dan pengenalan gambar. Tugas pertama Anda adalah mengidentifikasi kategori umum tugas pembelajaran mesin yang harus dilakukan, dan kemudian memilih algoritma.

  2. Konfigurasikan parameter algoritma.

    Gunakan panel Properti di setiap modul untuk mengatur parameter. Parameter mengontrol bagaimana model belajar dari data.

  3. Latih model pada data.

    Setelah Mengonfigurasi model, sambungkan himpunan data. Kemudian, gunakan salah satu modul pelatihan untuk menjalankan data melalui algoritma yang ingin Anda gunakan.

    Anda dapat menggunakan Tune Model Hyperparameters untuk iterasi atas semua parameter yang mungkin dan menentukan konfigurasi optimal untuk tugas dan data Anda.

  4. Memprediksi, skor, atau mengevaluasi.

    Setelah Anda membangun dan melatih model, biasanya langkah Anda selanjutnya adalah menggunakan salah satu modul penilaian untuk menghasilkan prediksi berdasarkan model.

    Anda dapat menggunakan modul untuk evaluasi model untuk mengukur keakuratan model berdasarkan skor yang Anda hasilkan.

Daftar modul

Modul dalam kategori ini diatur oleh jenis algoritma pembelajaran mesin yang dienkapsulasi modul. Setiap jenis algoritma biasanya membutuhkan jenis data yang berbeda.

Selain kategori algoritma pembelajaran mesin tradisional yang dijelaskan di sini, modul berikut menyediakan jenis pembelajaran khusus dari data atau praproses:

Lihat juga