Naslaginformatie over algoritmeonderdelen & voor Azure Machine Learning designer

Deze referentie-inhoud biedt de technische achtergrond van elk van de machine learning-algoritmen en onderdelen die beschikbaar zijn in Azure Machine Learning designer.

Elk onderdeel vertegenwoordigt een set code die onafhankelijk kan worden uitgevoerd en een machine learning-taak kan uitvoeren, gezien de vereiste invoer. Een onderdeel kan een bepaald algoritme bevatten of een taak uitvoeren die belangrijk is in machine learning, zoals ontbrekende waardevervanging of statistische analyse.

Zie voor hulp bij het kiezen van algoritmen

Tip

In elke pijplijn in de ontwerpfunctie kunt u informatie krijgen over een specifiek onderdeel. Selecteer de koppeling Meer informatie in de onderdeelkaart wanneer u de muisaanwijzer op het onderdeel in de lijst met onderdelen plaatst of in het rechterdeelvenster van het onderdeel.

Onderdelen voor gegevensvoorbereiding

Functionaliteit Description component
Gegevensinvoer en -uitvoer Verplaats gegevens uit cloudbronnen naar uw pijplijn. Schrijf uw resultaten of tussenliggende gegevens naar Azure Storage of SQL Database, terwijl u een pijplijn uitvoert of gebruik cloudopslag om gegevens uit te wisselen tussen pijplijnen. Gegevens handmatig invoeren
Gegevens exporteren
Gegevens importeren
Gegevenstransformatie Bewerkingen op gegevens die uniek zijn voor machine learning, zoals het normaliseren of binnen van gegevens, dimensionaliteitsvermindering en het converteren van gegevens tussen verschillende bestandsindelingen. Kolommen toevoegen
Rijen toevoegen
Wiskundige bewerking toepassen
SQL-transformatie toepassen
Ontbrekende gegevens opschonen
Waarden inperken
Converteren naar CSV
Converteren naar gegevensset
Converteren naar indicatorwaarden
Metagegevens bewerken
Gegevens in opslaglocaties groeperen
Gegevens samenvoegen
Gegevens normaliseren
Partitie en voorbeeld
Dubbele rijen verwijderen
SMOTE
Kolomtransformatie selecteren
Kolommen in gegevensset selecteren
Gegevens splitsen
Functieselectie Selecteer een subset van relevante, nuttige functies die u wilt gebruiken om een analytisch model te bouwen. Functieselectie op basis van filters
Belang van permutatiefunctie
Statistische functies Bieden een breed scala aan statistische methoden met betrekking tot gegevenswetenschap. Gegevens samenvatten

Machine learning-algoritmen

Functionaliteit Description component
Regressie Een waarde voorspellen. Regressie versterkte beslissingsstructuur
Regressie beslissingsforest
Regressie snelle forestkwantiel
Lineaire regressie
Regressie neuraal netwerk
Regressie Poisson
Clustering Gegevens groeperen. K-means-clustering
Classificatie Een klasse voorspellen. Kies uit binaire (tweeklasse) of algoritmen met meerdere klassen. Versterkte beslissingsstructuur met meerdere klassen
Beslissingsforest met meerdere klassen
Logistieke regressie met meerdere klassen
Neuraal netwerk met meerdere klassen
One-vs- All Multiclass
One-vs- One Multiclass
Gemiddeld perceptron met twee klassen
Versterkte beslissingsstructuur met twee klassen
Beslissingsforest met twee klassen
Logistieke regressie met twee klassen
Neuraal netwerk met twee klassen
Ondersteuning voor vectormachine met twee klassen

Onderdelen voor het bouwen en evalueren van modellen

Functionaliteit Description component
Modeltraining Voer gegevens uit via het algoritme. Clustermodel trainen
Trainingsmodel
Pytorch-model trainen
Model Hyperparameters afstemmen
Modelscore en -evaluatie Meet de nauwkeurigheid van het getrainde model. Transformatie toepassen
Gegevens aan cluster toewijzen
Kruisvalidatie van model valideren
Model evalueren
Afbeeldingsmodel voor score
Score Model
Python-taal Code schrijven en insluiten in een onderdeel om Python te integreren met uw pijplijn. Python-model maken
Python-script uitvoeren
R-taal Schrijf code en sluit deze in een onderdeel in om R te integreren met uw pijplijn. R-Script uitvoeren
Text Analytics Bieden gespecialiseerde rekenkundige hulpprogramma's voor het werken met zowel gestructureerde als ongestructureerde tekst. Word converteren naar vector
N-Gram-functies uit tekst halen
Functie-hashing
Tekst voorverwerken
Latente Dirichlet-toewijzing
Vowpal Wabbit-model scoren
Vowpal Wabbit-model trainen
Computer Vision Onderdelen met betrekking tot het vooraf verwerken van afbeeldingsgegevens en herkenning van afbeeldingen. Afbeeldingstransformatie toepassen
Converteren naar afbeeldingsmap
Afbeeldingstransformatie initiƫren
Map om afbeeldingen te splitsen
DenseNet
ResNet
Aanbeveling Aanbevelingsmodellen bouwen. Aanbevelingsfunctie voor evaluatie
Aanbevelingsfunctie voor SVD-score
Aanbevelingsfunctie voor wide en deep learning-scores
Aanbevelingsfunctie van SVD-training
Aanbevelingsfunctie voor wide en deep learning-trainingen
Anomaliedetectie Modellen voor anomaliedetectie bouwen. Anomaliedetectie op basis van PCA
Anomaliedetectiemodel trainen

Webservice

Meer informatie over de webserviceonderdelen, die nodig zijn voor realtime deductie in Azure Machine Learning designer.

Foutberichten

Meer informatie over de foutberichten en uitzonderingscodes die u kunt tegenkomen met behulp van onderdelen in Azure Machine Learning designer.

Volgende stappen