Delen via

A-Z-lijst met Machine Learning Studio-modules (klassiek)

  • Artikel

Belangrijk

De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.

Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.

De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.

Tip

Klanten die momenteel Machine Learning Studio (klassiek) gebruiken of overwegen, worden aangemoedigd om Azure Machine Learning-designer te gebruiken, die versleepbare ML-modulen biedt, plus schaalbaarheid, versiebeheer en enterprise-beveiliging.

De modules hebben betrekking op een breed scala aan functies die nodig zijn voor machine learning taken:

  • Functies voor gegevensconversie
  • Functies voor gegevenstransformatie
  • Modules voor het uitvoeren van R- of Python-script
  • Algoritmen, waaronder:
    • Beslissingsstructuren
    • Beslissings forests
    • Clustering
    • Tijdreeks
    • Aanbevelingsmodellen
    • Afwijkingsdetectie

Een module zoeken:

  • Als u de naam van de module weet, gebruikt u de alfabetische tabel als index om snel een specifieke module of algoritme te vinden.
  • Zie Modulecategorieën en beschrijvingen voor een lijst van de modules per functionele categorie.

Alfabetische tabel met modules

Modulenaam Description
Kolommen toevoegen Voegt een set kolommen van de ene gegevensset toe aan de andere.
Rijen toevoegen Een set rijen uit een invoerset toevoegen aan het einde van een andere gegevensset.
Filter toepassen Hiermee wordt een filter toegepast op opgegeven kolommen van een gegevensset.
Wiskundige bewerking toepassen Hiermee wordt een wiskundige bewerking toegepast op kolomwaarden.
SQL-transformatie toepassen Voert een SQLite-query uit op invoergegevenssets om de gegevens te transformeren.
Transformatie toepassen Hiermee wordt een goed opgegeven gegevenstransformatie toegepast op een gegevensset.
Gegevens aan cluster toewijzen Wijst gegevens toe aan clusters met behulp van een bestaand getraind clusteringmodel.
Bayesiaanse lineaire regressie Hiermee maakt u een bayesisch lineair regressiemodel.
Regressie versterkte beslissingsstructuur Hiermee maakt u een regressiemodel met behulp van het boosted decision tree-algoritme.
Build-teltransformator Hiermee maakt u tellingen die moeten worden gebruikt om functies te bouwen.
Ontbrekende gegevens ops schonen Hiermee geeft u op hoe waarden moeten worden verwerkt die ontbreken in een gegevensset.
Waarden inperken Detecteert uitbijten en verfragmenteert of vervangt vervolgens de waarden.
Elementaire statistieken berekenen Hiermee worden opgegeven samenvattingsstatistieken voor geselecteerde gegevenssetkolommen berekend.
Talen detecteren Detecteert de taal van elke regel in het invoerbestand.
Lineaire correlatie berekenen Berekent de lineaire correlatie tussen kolomwaarden in een gegevensset.
Converteren naar ARFF Converteert gegevensinvoer naar de indeling van het kenmerk relationeel bestand dat wordt gebruikt door de Weka-toolset.
Converteren naar CSV Converteert gegevensinvoer naar een indeling met door komma's gescheiden waarden.
Converteren naar gegevensset Converteert gegevensinvoer naar de interne gegevenssetindeling die wordt gebruikt door Machine Learning.
Converteren naar indicatorwaarden Converteert categorische waarden in kolommen naar indicatorwaarden.
Converteren naar SVMLight Converteert gegevensinvoer naar de indeling die wordt gebruikt door het SVMlight-framework.
Converteren naar TSV Converteert gegevensinvoer naar de door tabs scheidingstekens.
R-model maken Hiermee maakt u een R-model met behulp van aangepaste resources.
Model kruis valideren Valideert parameterschattingen voor classificatie- of regressiemodellen kruislings door de gegevens te partitioneren.
Regressie beslissingsforest Hiermee maakt u een regressiemodel met behulp van het beslissings-forestalgoritme.
Talen detecteren Detecteert de taal van elke regel in het invoerbestand.
Metagegevens bewerken Hiermee bewerkt u metagegevens die zijn gekoppeld aan kolommen in een gegevensset.
Gegevens handmatig invoeren Hiermee kunt u kleine gegevenssets invoeren en bewerken door waarden te typen.
Model evalueren Evalueert een beoordeeld classificatie- of regressiemodel met behulp van standaard metrische gegevens.
Waarschijnlijkheidsfunctie evalueren Past een opgegeven waarschijnlijkheidsdistributiefunctie toe aan een gegevensset.
Aanbevelingsfunctie voor evaluatie Evalueert de nauwkeurigheid van voorspellingen van het aanbevelingsmodel.
Python-script uitvoeren Hiermee wordt een Python-script uitgevoerd vanuit een Machine Learning experiment.
R-Script uitvoeren Hiermee wordt een R-script uitgevoerd vanuit een Machine Learning experiment.
Tabel Aantal exporteren Hiermee exporteert u het aantal van een count-transformatie.
Gegevens exporteren Schrijft een gegevensset naar web-URL's of naar verschillende vormen van cloudopslag in Azure, zoals tabellen, blobs en Azure SQL databases.

Deze module heette voorheen Writer.
Sleuteltermen extraheren uit tekst Extraheert sleutelwoorden en woordgroepen uit een tekstkolom.
N-Gram-functies uit tekst halen Hiermee maakt u N-Gram-woordenlijstfuncties en vervolgens worden functies geselecteerd.
Regressie snelle forestkwantiel Hiermee maakt u een regressiemodel voor kwantielen.
Functie-hashing Converteert tekstgegevens naar functies die zijn gecodeerd met gehele getallen met behulp van de Vowpal Wabbit-bibliotheek.
Functieselectie op basis van filters Identificeert de functies in een gegevensset die de grootste voorspellende kracht hebben.
FIR-filter Hiermee maakt u een eindig responsfilter voor reacties op signalen.
Fisher Linear Discriminant Analysis Identificeert de lineaire combinatie van functievariabelen waarmee gegevens in afzonderlijke klassen kunnen worden gegroepeerd.
Categorische waarden groeperen Groept gegevens uit meerdere categorieën in een nieuwe categorie.
Gegevens in opslaglocaties groeperen Plaatst numerieke gegevens in bins.
IIR-filter Hiermee maakt u een oneindig reactiefilter voor signaalverwerking.
Tabel aantal importeren Hiermee importeert u tellingen uit een bestaande count-tabel.
Gegevens importeren Laadt gegevens van externe bronnen op het web of uit verschillende vormen van cloudopslag in Azure, zoals tabellen, blobs, SQL databases en Azure Cosmos DB. Kan gegevens laden uit een on-premises SQL Server database als een gateway is geconfigureerd.

Deze module heette voorheen Lezer.
Afbeeldingen importeren Laadt afbeeldingen uit Azure Blob Storage in een gegevensset.
Gegevens samenvoegen Voegt twee gegevenssets samen.
K-means-clustering Hiermee configureert en initialiseert u een K-means-clusteringmodel.
Latente Dirichlet-toewijzing Voert onderwerpmodelleer uit met behulp van de Vowpal Wabbit-bibliotheek voor Latent Didomlet Allocation (LDA).
Lineaire regressie Hiermee maakt u een lineair regressiemodel.
Getraind model laden Haalt een getraind model op dat u kunt gebruiken om te scoren in een experiment.
Mediaanfilter Hiermee maakt u een mediaanfilter dat wordt gebruikt om gegevens te vloeiend te maken voor trendanalyse.
Transformatie aantal samenvoegen Voegt twee sets teltabellen samen.
Tabelparameters aantal wijzigen Bouwt een compacte set functies op basis van tellingen op basis van tellingstabellen.
Gemiddeld bewegend filter Hiermee maakt u een bewegend gemiddeld filter dat gegevens voor trendanalyse vereenloost.
Beslissingsforest met meerdere klassen Hiermee maakt u een classificatiemodel met meerdere klassen met behulp van het beslissings-forestalgoritme.
Beslissing met meerdere klasses Hiermee maakt u een classificatiemodel met meerdere klassen met behulp van het beslissingsalgoritme.
Logistieke regressie met meerdere klassen Hiermee maakt u een classificatiemodel voor logistieke regressie met meerdere klassen.
Neuraal netwerk met meerdere klassen Hiermee maakt u een classificatiemodel met meerdere klassen met behulp van een neuraal netwerkalgoritme.
Herkenning van benoemde entiteiten Herkent benoemde entiteiten in een tekstkolom.
Regressie neuraal netwerk Hiermee maakt u een regressiemodel met behulp van een neuraal netwerkalgoritme.
Gegevens normaliseren Hiermee worden numerieke gegevens opnieuw geschaald om gegevenssetwaarden te beperken tot een standaardbereik.
One-Class Support Vector Machine Hiermee maakt u een ondersteuningsvectormachinemodel met één klasse voor anomaliedetectie.
One-vs-All Multiclass Hiermee maakt u een classificatiemodel met meerdere klassen van een geheel van binaire classificatiemodellen.
Ordinale regressie Hiermee maakt u een ordinale regressiemodel.
Partitie en voorbeeld Hiermee maakt u meerdere partities van een gegevensset op basis van steekproeven.
Belang van permutatiefunctie Berekent de belangrijkheidsscores van de permutatiefunctie van functievariabelen in een getraind model en een test gegevensset.
Anomaliedetectie op basis van PCA Hiermee maakt u een anomaliedetectiemodel met pca (Principal Component Analysis).
Regressie Poisson Hiermee maakt u een regressiemodel dat ervan uit gaat dat gegevens een Poisson-distributie hebben.
Tekst voorverwerken Voert opschoonbewerkingen uit op tekst.
Vooraf getrainde cascade-afbeeldingsclassificatie Hiermee maakt u een vooraf getraind afbeeldingsclassificatiemodel voor frontale gezichten met behulp van de OpenCV-bibliotheek.
Analyse van hoofdcomponenten Berekent een set functies die een verminderde dimensionaliteit hebben voor efficiënter leren.
Dubbele rijen verwijderen Hiermee verwijdert u dubbele rijen uit een gegevensset.
Discrete waarden vervangen Vervangt discrete waarden uit één kolom door numerieke waarden op basis van een andere kolom.
Aanbeveling voor scorematchbox Scores voor voorspellingen voor een gegevensset met behulp van de Matchbox-aanbeveling.
Score Model Scores voor een getraind classificatie- of regressiemodel.
Vowpal Wabbit 7-4-model scoren Scores voor gegevens met behulp van het Vowpal Wabbit machine learning systeem.

Vereist een getraind model dat is gebouwd met Vowpal Wabbit-versies 7-4 en 7-6.
Vowpal Wabbit 7-10-model scoren Scores voor gegevens met behulp van het Vowpal Wabbit machine learning systeem.

Vereist een getraind model dat is gebouwd met Vowpal Wabbit versie 7-10.
Vowpal Wabbit 8-model scoren Scores van gegevens met behulp van het Vowpal Wabbit machine learning systeem van de opdrachtregelinterface.

Vereist een getraind model dat is gebouwd met Vowpal Wabbit versie 8.
Kolommen in gegevensset selecteren Selecteert kolommen die moeten worden opgesloten in of uitgesloten van een gegevensset in een bewerking.
SMOTE Verhoogt het aantal voorbeelden met weinig voorval in een gegevensset door gebruik te maken van synthetische oversampling.
Gegevens splitsen Hiermee worden de rijen van een gegevensset gepartities in twee afzonderlijke sets.
Gegevens samenvatten Genereert een basisrapport met beschrijvende statistieken voor de kolommen in een gegevensset.
Clustering opsommen Voert een parameteropruiming uit op een clusteringmodel om de optimale parameterinstellingen te bepalen.
Hypothese testen met behulp van T-Test Vergelijkt de means uit twee gegevenssets met behulp van een t-test.
Drempelwaardefilter Hiermee maakt u een drempelfilter dat waarden beperkt.
Anomaliedetectie voor tijdreeksen Leert een trend in tijdreeksgegevens en gebruikt vervolgens de trend om afwijkingen te detecteren.
Anomaliedetectiemodel trainen Traint een anomaliedetectiemodel en labelt vervolgens gegevens uit de trainingsset.
Clustermodel trainen Traint een clusteringmodel en wijst vervolgens gegevens uit de trainingsset toe aan clusters.
Aanbevelingser voor Matchbox trainen Traint een Bayesiaanse aanbevelingser met behulp van het Matchbox-algoritme.
Trainingsmodel Traint een classificatie- of regressiemodel op een manier onder supervisie.
Vowpal Wabbit 7-4-model trainen Traint een model van het Vowpal Wabbit machine learning systeem.

Deze module is voor compatibiliteit met Vowpal Wabbit-versies 7-4 en 7-6.
Vowpal Wabbit 7-10-model trainen Traint een model van het Vowpal Wabbit machine learning systeem.

Deze module is voor Vowpal Wabbit versie 7-10.
Vowpal Wabbit 8-model trainen Traint een model met behulp van versie 8 van het Vowpal Wabbit machine learning systeem.

Deze module is voor Vowpal Wabbit versie 8.
Model Hyperparameters afstemmen Voert een parameteropruiming uit op een regressie- of classificatiemodel om de optimale parameterinstellingen te bepalen.
Gemiddeld perceptron met twee klassen Hiermee maakt u een gemiddeld binair classificatiemodel voor de perceptron.
Bayes Point-machine met twee klassen Hiermee maakt u een binair classificatiemodel van een Bayes-puntmachine.
Versterkte beslissingsstructuur met twee klassen Hiermee maakt u een binaire classificatie met behulp van een boosted beslissingsstructuuralgoritme.
Beslissingsforest met twee klassen Hiermee maakt u een classificatiemodel met twee klassen met behulp van het beslissings-forestalgoritme.
Beslissing met twee klassen Hiermee maakt u een classificatiemodel met twee klassen met behulp van het beslissingsalgoritme.
Lokaal deep support vector machine met twee klassen Hiermee maakt u een binair classificatiemodel met behulp van het lokaal deep support vector machine-algoritme.
Logistieke regressie met twee klassen Hiermee maakt u een logistic regression-model met twee klassen.
Neuraal netwerk met twee klassen Hiermee maakt u een binaire classificatie met behulp van een neuraal netwerkalgoritme.
Ondersteuningsvectormachine met twee klassen Hiermee maakt u een binair classificatiemodel met behulp van het algoritme support vector machine.
Uitgepakte gegevenssets uitpakken Gegevenssets uitpakken uit een .zip-pakket in gebruikersopslag.
Door de gebruiker gedefinieerd filter Hiermee maakt u een aangepast eindig of oneindig filter voor reactie op reacties.

Zie ook