Cheatsheet voor Machine Learning-algoritmen voor Azure Machine Learning Designer
Het cheatsheet voor azure Machine Learning-algoritmen helpt u bij het kiezen van het juiste algoritme in de ontwerpfunctie voor een predictive analytics-model.
Notitie
Designer ondersteunt twee typen onderdelen: klassieke vooraf samengestelde onderdelen (v1) en aangepaste onderdelen (v2). Deze twee typen onderdelen zijn NIET compatibel.
Klassieke vooraf samengestelde onderdelen bieden vooraf gebouwde onderdelen voor het grootste gedeelte voor gegevensverwerking en traditionele machine learning-taken, zoals regressie en classificatie. Dit type onderdeel wordt nog steeds ondersteund, maar er worden geen nieuwe onderdelen toegevoegd.
Met aangepaste onderdelen kunt u uw eigen code als onderdeel verpakken. Het ondersteunt het delen van onderdelen tussen werkruimten en naadloze creatie in studio-, CLI v2- en SDK v2-interfaces.
Voor nieuwe projecten raden we u ten zeerste aan om een aangepast onderdeel te gebruiken dat compatibel is met AzureML V2 en dat nieuwe updates blijft ontvangen.
Dit artikel is van toepassing op klassieke vooraf gebouwde onderdelen en niet compatibel met CLI v2 en SDK v2.
Azure Machine Learning heeft een grote bibliotheek met algoritmen uit de families classificatie, aanbevelingssystemen, clustering, anomaliedetectie, regressie en tekstanalyse . Elk is ontworpen om een ander type machine learning-probleem aan te pakken.
Zie Algoritmen selecteren voor meer informatie.
Download: Cheatsheet voor Machine Learning-algoritmen
Download de cheatsheet hier: Cheat Sheet voor Machine Learning-algoritme (11x17 in.)
Download en druk het cheatsheet voor machine learning-algoritmen af in tabloidformaat om het bij de hand te houden en hulp te krijgen bij het kiezen van een algoritme.
Het cheatsheet voor het Machine Learning-algoritme gebruiken
De suggesties in dit cheatsheet voor algoritmes zijn bij benadering vuistregels. Sommige kunnen worden gebogen en andere kunnen flagrant worden geschonden. Dit cheatsheet is bedoeld om een beginpunt voor te stellen. Wees niet bang om een strijd te voeren tussen verschillende algoritmen op uw gegevens. Er is eenvoudigweg geen vervanging voor het begrijpen van de principes van elk algoritme en het systeem dat uw gegevens heeft gegenereerd.
Elk machine learning-algoritme heeft zijn eigen stijl of inductieve bias. Voor een specifiek probleem kunnen verschillende algoritmen geschikt zijn en kan het ene algoritme beter passen dan andere. Maar het is niet altijd mogelijk om van tevoren te weten wat het beste past. In dergelijke gevallen worden verschillende algoritmen samen weergegeven in de cheatsheet. Een geschikte strategie is om één algoritme te proberen en als de resultaten nog niet bevredigend zijn, probeert u de andere.
Ga voor meer informatie over de algoritmen in Azure Machine Learning Designer naar de naslaginformatie over Algoritmen en onderdelen.
Soorten machine learning
Er zijn drie hoofdcategorieën voor machine learning: leren onder supervisie, leren zonder supervisie en versterkend leren.
Leren onder supervisie
Bij leren onder supervisie wordt elk gegevenspunt gelabeld of gekoppeld aan een categorie of waarde die van belang is. Een voorbeeld van een categorisch label is het toewijzen van een afbeelding als een 'kat' of een 'hond'. Een voorbeeld van een waardelabel is de verkoopprijs die is gekoppeld aan een gebruikte auto. Het doel van leren onder supervisie is om veel gelabelde voorbeelden zoals deze te bestuderen en vervolgens voorspellingen te kunnen doen over toekomstige gegevenspunten. Bijvoorbeeld het identificeren van nieuwe foto's met het juiste dier of het toewijzen van nauwkeurige verkoopprijzen aan andere tweedehands auto's. Dit is een populair en nuttig type machine learning.
Leren zonder supervisie
Bij leren zonder supervisie zijn er geen labels aan gegevenspunten gekoppeld. In plaats daarvan is het doel van een leeralgoritme zonder supervisie de gegevens op een of andere manier te ordenen of de structuur ervan te beschrijven. Leren zonder supervisie groepeerde gegevens in clusters, zoals K-means doet, of vindt verschillende manieren om naar complexe gegevens te kijken, zodat het eenvoudiger lijkt.
Bekrachtigend leren
Bij het leren van versterking kan het algoritme een actie kiezen als reactie op elk gegevenspunt. Het is een veelgebruikte benadering in robotica, waarbij de set sensorwaarden op een bepaald moment een gegevenspunt is en het algoritme de volgende actie van de robot moet kiezen. Het is ook geschikt voor Internet of Things-toepassingen. Het leeralgoritme ontvangt korte tijd later ook een beloningssignaal dat aangeeft hoe goed de beslissing was. Op basis van dit signaal wijzigt het algoritme zijn strategie om de hoogste beloning te behalen.