Condividi tramite


Eseguire il training del modello

Importante

Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.

A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).

La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.

Esegue il training di un modello di classificazione o regressione in modo controllato

Categoria: Machine Learning/Train

Nota

Si applica a: Machine Learning Studio (versione classica)

Nella finestra di progettazione sono disponibili moduli simili Azure Machine Learning trascinamento della selezione.

Panoramica del modulo

Questo articolo descrive come usare il modulo Train Model (Training modello) in Machine Learning Studio (versione classica) per eseguire il training di un modello di classificazione o regressione. Il training ha luogo dopo aver definito un modello e impostato i relativi parametri e richiede dati con tag. È anche possibile usare Train Model (Training modello ) per eseguire di nuovo il training di un modello esistente con nuovi dati.

Funzionamento del processo di training

In Machine Learning, la creazione e l'uso di un modello di Machine Learning è in genere un processo in tre passaggi.

  1. Per configurare un modello, scegliere un particolare tipo di algoritmo e definirne i parametri o gli iperparame aggiuntivi. Scegliere uno dei tipi di modello seguenti:

    • Modelli di classificazione basati su reti neurali, alberi delle decisioni e foreste delle decisioni e altri algoritmi.
    • Modelli di regressione, che possono includere la regressione lineare standard o che usano altri algoritmi, incluse le reti neurali e la regressione Baysian.
  2. Specificare un set di dati con etichetta e con dati compatibili con l'algoritmo. Connessione i dati e il modello per eseguire il training del modello.

    Il training prodotto è un formato binario specifico, iLearner, che incapsula i modelli statistici appresi dai dati. Non è possibile modificare o leggere direttamente questo formato. Tuttavia, altri moduli in Studio (versione classica) possono usare questo modello con training.

    È anche possibile visualizzare le proprietà del modello. Per altre informazioni, vedere la sezione Risultati.

  3. Al termine del training, usare il modello con training con uno dei moduli di assegnazione dei punteggi per eseguire stime sui nuovi dati.

Nota

Altre attività specializzate di Machine Learning richiedono metodi di training diversi e Studio (versione classica) fornisce moduli di training separati. Ad esempio, il rilevamento di immagini, il clustering e la rimozione di anomalie usano tutti metodi di training personalizzati. Train Model è destinato all'uso solo con modelli di regressione e classificazione.

Training supervisionato e non supervisionato

È possibile che si sia sentito parlare di apprendimento supervisionatoo non supervisionato . Il training di un modello di classificazione o regressione con Train Model è un esempio classico di Machine Learning supervisionato. Ciò significa che è necessario fornire un set di dati contenente dati cronologici da cui apprendere i modelli. I dati devono contenere sia il risultato (etichetta) che si sta tentando di stimare sia i fattori correlati (variabili). Il modello di Machine Learning necessita dei risultati per determinare le caratteristiche che consentono di stimare al meglio i risultati.

Durante il processo di training, i dati vengono ordinati in base ai risultati e l'algoritmo estrae modelli statistici per compilare il modello.

L'apprendimento non supervisionato indica che il risultato è sconosciuto oppure si sceglie di non usare etichette note. Ad esempio, gli algoritmi di clustering usano in genere metodi di apprendimento non supervisionati, ma possono usare le etichette, se disponibili. Un altro esempio è la modellazione di argomenti con LDA. Non è possibile usare Train Model con questi algoritmi.

Suggerimento

Se non si ha esperienza di Machine Learning, Questa esercitazione illustra il processo di recupero dei dati, configurazione di un algoritmo, training e quindi uso di un modello: Creare il primo esperimento di Machine Learning

Come usare train model

  1. In Machine Learning Studio (versione classica) configurare un modello di classificazione o modelli di regressione.

    È anche possibile eseguire il training di un modello personalizzato creato usando Crea modello R.

  2. Aggiungere il modulo Train Model (Training modello) all'esperimento. È possibile trovare questo modulo nella categoria Machine Learning registrazione. Espandere Train (Training) e quindi trascinare il modulo Train Model (Training modello) nell'esperimento.

  3. Nell'input sinistro collegare la modalità senza training. Collegare il set di dati di training all'input a destra di Train Model (Training modello).

    Il set di dati di training deve contenere una colonna etichetta. Tutte le righe senza etichette vengono ignorate.

  4. Per Colonna etichetta fare clic su Avvia selettore di colonna e scegliere una singola colonna contenente i risultati che il modello può usare per il training.

    • Per i problemi di classificazione, la colonna etichetta deve contenere valori categorici o valori discreti . Alcuni esempi possono essere una classificazione sì/no, un codice o un nome di classificazione di malattia o un gruppo di reddito. Se si seleziona una colonna non di categoria, il modulo restituirà un errore durante il training.

    • Per i problemi di regressione, la colonna etichetta deve contenere dati numerici che rappresentano la variabile di risposta. Idealmente, i dati numerici rappresentano una scala continua.

    Ad esempio, un punteggio di rischio di credito, il tempo previsto per il guasto di un disco rigido o il numero previsto di chiamate a un call center in un determinato giorno o ora. Se non si sceglie una colonna numerica, è possibile che venga visualizzato un errore.

    • Se non si specifica la colonna etichetta da usare, Machine Learning tenterà di dedurre quale sia la colonna etichetta appropriata, usando i metadati del set di dati. Se seleziona la colonna errata, usare il selettore di colonna per correggerla.

    Suggerimento

    In caso di problemi con l'uso del selettore di colonna, vedere l'articolo Selezionare le colonne nel set di dati per suggerimenti. Descrive alcuni scenari comuni e suggerimenti per l'uso delle opzioni WITH RULESe BY NAME.

  5. Eseguire l'esperimento. Se si dispone di una grande quantità di dati, questa operazione può richiedere del tempo.

Risultati

Dopo il training del modello:

  • Per visualizzare i parametri del modello e i pesi delle funzionalità, fare clic con il pulsante destro del mouse sull'output e scegliere Visualizza.

  • Per usare il modello in altri esperimenti, fare clic con il pulsante destro del mouse sul modello e scegliere Salva modello. Digitare un nome per il modello.

    In questo modo il modello viene salvato come snapshot che non viene aggiornato da esecuzioni ripetute dell'esperimento.

  • Per usare il modello nella stima di nuovi valori, connetterlo al modulo Score Model (Punteggio modello) insieme ai nuovi dati di input.

Se è necessario eseguire il training di un tipo di modello non supportato dal modello di training, sono disponibili diverse opzioni:

  • Creare un metodo di assegnazione dei punteggi personalizzato usando lo script R o usare uno dei numerosi pacchetti di punteggio R disponibili.

  • Scrivere uno script Python personalizzato per eseguire il training e il punteggio di un modello oppure usare una libreria Python esistente:

  • Modelli di rilevamento anomalie

  • Modelli di raccomandazione

    • Se il modello usa la raccomandazione Matchbox fornita in Machine Learning, usare il modulo Train Matchbox Recommender (Strumento di raccomandazione train matchbox).

    • Se si usa un algoritmo diverso per l'analisi o la raccomandazione market basket, usare i relativi metodi di training, nello script R o nello script Python.

  • Modelli di clustering

Esempio

Per esempi di come viene usato il modulo Train Model negli esperimenti di Machine Learning, vedere questi esperimenti nella Azure AI Gallery:

Input previsti

Nome Tipo Descrizione
Untrained model ILearner interface Strumento di apprendimento senza training
Set di dati Tabella dati Dati di training

Parametri del modulo

Nome Intervallo Type Predefinito Descrizione
Colonna di etichetta any ColumnSelection Seleziona la colonna contenente l'etichetta o la colonna del risultato

Output

Nome Tipo Descrizione
Trained model ILearner interface Strumento di apprendimento con training

Eccezioni

Per un elenco di tutti gli errori del modulo, vedere Codici di errore del modulo.

Eccezione Descrizione
Errore 0032 L'eccezione si verifica se l'argomento non è un numero.
Errore 0033 L'eccezione si verifica se l'argomento è Infinity.
Errore 0083 L'eccezione si verifica se il set di dati usato per il training non può essere usato per il tipo concreto di apprendimento.
Errore 0035 L'eccezione si verifica se non sono state specificate funzioni per un determinato utente o elemento.
Errore 0003 L'eccezione si verifica se uno o più input sono null o vuoti.
Errore 0020 L'eccezione si verifica se il numero di colonne in alcuni set di dati passati al modulo è troppo piccolo.
Errore 0021 L'eccezione si verifica se il numero di righe in alcuni set di dati passati al modulo è troppo piccolo.
Errore 0013 Si verifica un'eccezione se il tipo dello strumento di apprendimento passato al modulo non è valido.

Vedi anche

Evaluate Model (Valuta modello)
Elenco moduli A-Z