Condividi tramite


Machine Learning - Inizializzare il 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.

Questo articolo descrive i moduli in Machine Learning Studio (versione classica) che è possibile usare per definire un modello di Machine Learning e impostarne i parametri.

Nota

Si applica a: Machine Learning Studio (versione classica)

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

È possibile pensare al modello senza training come a una specifica che è possibile applicare a set di dati di input diversi. È possibile applicare la stessa specifica del modello a dati diversi e ottenere risultati diversi. In caso contrario, è possibile usare la specifica per eseguire di nuovo il training di un modello. È quindi possibile aggiungere nuovi dati.

Questo articolo descrive anche il processo generale di creazione, training, valutazione e assegnazione di punteggi a un modello in Machine Learning Studio (versione classica).

Creare e usare modelli di Machine Learning in Machine Learning Studio (versione classica)

Il flusso di lavoro tipico per Machine Learning include queste fasi:

  • Scegliere un algoritmo appropriato e impostare le opzioni iniziali.
  • Training del modello usando dati compatibili.
  • Creare stime usando nuovi dati in base ai modelli nel modello.
  • Valutare il modello per determinare se le stime sono accurate, la quantità di errore e se si verifica l'overfitting.

Machine Learning Studio (versione classica) supporta un framework flessibile e personalizzabile per Machine Learning. Ogni attività in questo processo viene eseguita da un tipo specifico di modulo. I moduli possono essere modificati, aggiunti o rimossi senza interrompere il resto dell'esperimento.

Usare i moduli in questa categoria per selezionare un algoritmo iniziale. Configurare quindi i parametri dettagliati in base al tipo di modello specifico. È quindi possibile applicare questa specifica di modello a un set di dati.

Informazioni sulla creazione di modelli

Machine Learning offre molti algoritmi di Machine Learning all'avanguardia che consentono di creare modelli analitici. Ogni algoritmo è in pacchetto nel proprio modulo. Per creare un modello personalizzato:

  1. Scegliere un modello per categoria.

    Gli algoritmi sono raggruppati in base a tipi specifici di attività predittiva. Gli esempi includono la regressione, la classificazione e il riconoscimento delle immagini. La prima attività è identificare la categoria generale dell'attività di Machine Learning da eseguire e quindi selezionare un algoritmo.

  2. Configurare i parametri dell'algoritmo.

    Usare il riquadro Proprietà in ogni modulo per impostare i parametri. I parametri controllano il modo in cui il modello apprende dai dati.

  3. Training del modello sui dati.

    Dopo aver configurato il modello, connettere un set di dati. Usare quindi uno dei moduli di training per eseguire i dati tramite gli algoritmi che si vuole usare.

    È possibile usare Tune Model Hyperparameters per eseguire l'iterazione su tutti i parametri possibili e determinare la configurazione ottimale per l'attività e i dati.

  4. Stimare, valutare o valutare.

    Dopo la compilazione e il training di un modello, in genere il passaggio successivo consiste nell'usare uno dei moduli di assegnazione dei punteggi per generare stime basate sul modello.

    È possibile usare i moduli per la valutazione del modello per misurare l'accuratezza del modello in base ai punteggi generati.

Elenco dei moduli

I moduli in questa categoria sono organizzati in base al tipo di algoritmo di Machine Learning incapsulato dai moduli. Ogni tipo di algoritmo richiede in genere un tipo di dati diverso.

Oltre alle categorie di algoritmi di Machine Learning tradizionali descritte qui, i moduli seguenti forniscono tipi specializzati di apprendimento dai dati o dalla pre-elaborazione:

Vedi anche