Applicare la trasformazione

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).

• Vedere leinformazioni sullo spostamento di progetti di Machine Learning da ML Studio (versione classica) ad Azure Machine Learning.
• Altre informazioni sulle Azure Machine Learning.

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

Applica una trasformazione di dati correttamente specificata a un set di dati

Categoria: Machine Learning/Punteggio

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 Applica trasformazione in Machine Learning Studio (versione classica) per modificare un set di dati di input in base a una trasformazione calcolata in precedenza.

Ad esempio, se sono stati usati z-score per normalizzare i dati di training usando il modulo Normalize Data (Normalizza dati), è necessario usare anche il valore z-score calcolato per il training durante la fase di assegnazione dei punteggi. In Machine Learning Studio (versione classica) è possibile eseguire questa operazione facilmente salvando il metodo di normalizzazione come trasformazione e quindi usando Applica trasformazione per applicare il punteggio z ai dati di input prima dell'assegnazione del punteggio.

Machine Learning Studio (versione classica) offre il supporto per la creazione e l'applicazione di molti tipi diversi di trasformazioni personalizzate. Ad esempio, è possibile salvare e quindi usare di nuovo le trasformazioni che esemplino le operazioni seguenti:

• Rimuovere o sostituire i valori mancanti usando Pulisci dati mancanti

• Creare contenitori, ridimensionare e normalizzare i dati usando Normalize Data (Normalizza dati ) o Group Data into Bins (Raggruppa dati in contenitori)

• Creare un set di caratteristiche compatte calcolando la distribuzione di probabilità congiunta per un set di dati, usando i moduli Learning con conteggi.

Come usare Applica trasformazione

1. Aggiungere il modulo Apply Transformation (Applica trasformazione) all'esperimento. È possibile trovare il modulo all'Machine Learning, nella categoria Score (Punteggio).

2. Individuare una trasformazione esistente da utilizzare come input.

   Se la trasformazione è stata creata in precedenza nell'esperimento (ad esempio, come parte di un'operazione di pulizia o ridimensionamento dei dati), in genere l'oggetto interfaccia ITransform è disponibile nell'output a destra del modulo. Connessione l'output nell'input a sinistra di Applica trasformazione.

   Le trasformazioni salvate in precedenza sono disponibili nel gruppo Trasformazioni nel riquadro di spostamento a sinistra.

   Suggerimento

   Se si progetta una trasformazione per un esperimento ma non la si salva in modo esplicito, la trasformazione sarà disponibile nell'area di lavoro purché la sessione sia aperta. Se si chiude la sessione ma non si salva la trasformazione, è possibile eseguire nuovamente l'esperimento per generare l'oggetto interfaccia ITransform .

3. Connessione set di dati da trasformare. Il set di dati deve avere esattamente lo stesso schema (numero di colonne, nomi di colonna, tipi di dati) del set di dati per cui è stata progettata per la prima volta la trasformazione.

4. Non è necessario impostare altri parametri. L'intera personalizzazione viene eseguita definendo la trasformazione.

5. Per applicare una trasformazione al nuovo set di dati, eseguire l'esperimento.

Esempio

Per informazioni sull'uso di questo modulo in Machine Learning, vedere l'Azure AI Gallery:

• Rilevamento delle frodi online: questo esempio illustra come usare Applica trasformazione con Pulisci dati mancanti per garantire che i valori mancanti siano gestiti allo stesso modo in tutti i set di dati.

• Manutenzione predittiva: illustra come usare Applica trasformazione connormalizzare i dati.

• Learning con conteggi: usa Applica trasformazione per riutilizzare una tabella di conteggio.

Note tecniche

Il modulo Apply Transformation può assumere come input l'output di qualsiasi modulo che crea un'interfaccia ITransform. I moduli includono:

• Clean Missing Data (Pulisci dati mancanti)

• Normalize Data (Normalizza dati)

• Group Data into Bins (Raggruppa dati in contenitori)

• Learning with Counts

Suggerimento

È anche possibile salvare e usare nuovamente i filtri progettati per l'elaborazione dei segnali digitali. Tuttavia, i filtri usano l'interfaccia IFilter anziché l'interfaccia ITransform.

Input previsti

Nome	Tipo	Descrizione
Trasformazione	Interfaccia ITransform	Trasformazione unaria dei dati
Set di dati	Tabella dati	Set di dati da trasformare

Output

Nome	Tipo	Descrizione
Set di dati trasformato	Tabella dati	Set di dati trasformato

Eccezioni

Eccezione	Descrizione
Errore 0003	L'eccezione si verifica se uno o più input sono null o vuoti.

Per un elenco di errori specifici dei moduli di Studio (versione classica), vedere l'Machine Learning codici di errore.

Per un elenco delle eccezioni API, vedere l'Machine Learning di errore dell'API REST.

Vedi anche

Filter
Apply SQL Transformation (Applica trasformazione SQL)
Clean Missing Data (Pulisci dati mancanti)
Normalize Data (Normalizza dati)
Elenco moduli A-Z
Group Data into Bins (Raggruppa dati in contenitori)