Bayesiaanse lineaire regressie
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.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
Hiermee maakt u een Bayesisch lineair regressiemodel
Categorie: Machine Learning/model initialiseren/regressie
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules met slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
Moduleoverzicht
In dit artikel wordt beschreven hoe u de Bayesiaanse lineaire regressiemodule in Machine Learning Studio (klassiek) gebruikt om een regressiemodel te definiëren op basis van Bayesiaanse statistieken.
Nadat u de modelparameters hebt gedefinieerd, moet u het model trainen met behulp van een getagde gegevensset en de module Train Model . Het getrainde model kan vervolgens worden gebruikt om voorspellingen te doen. Het niet-getrainde model kan ook worden doorgegeven aan het model voor kruisvalidatie voor kruisvalidatie op een gelabelde gegevensset.
Meer informatie over Bayesiaanse regressie
In statistieken staat de Bayesiaanse benadering van regressie vaak in contrast met de veelgebruikte benadering.
De Bayesiaanse benadering maakt gebruik van lineaire regressie, aangevuld met aanvullende informatie in de vorm van een eerdere waarschijnlijkheidsverdeling. Eerdere informatie over de parameters wordt gecombineerd met een waarschijnlijkheidsfunctie om schattingen voor de parameters te genereren.
Daarentegen wordt bij de frequentist-benadering, die wordt vertegenwoordigd door de standaard minst kwadraat lineaire regressie, ervan uitgegaan dat de gegevens voldoende metingen bevatten om een zinvol model te maken.
Zie de koppelingen in de sectie Technical Notes voor meer informatie over het onderzoek achter dit algoritme.
Bayesiaanse regressie configureren
Voeg de Bayesiaanse lineaire regressiemodule toe aan uw experiment. U vindt deze module onder Machine Learning, Initialiseren, in de categorie Regressie.
Regularisatiegewicht: typ een waarde die moet worden gebruikt voor regularisatie. Regularisatie wordt gebruikt om overfitting te voorkomen. Dit gewicht komt overeen met L2. Zie de sectie Technische notities voor meer informatie.
Onbekende categorische niveaus toestaan: selecteer deze optie om een groepering voor onbekende waarden te maken. Het model kan alleen de waarden accepteren die zijn opgenomen in de trainingsgegevens. Het model is mogelijk minder nauwkeurig op bekende waarden, maar biedt betere voorspellingen voor nieuwe (onbekende) waarden.
Verbinding maken een trainingsset en een van de trainingsmodules. Dit modeltype heeft geen parameters die kunnen worden gewijzigd in een parameteropruiming, dus hoewel u het model kunt trainen met Tune Model Hyperparameters, kan het model niet automatisch worden geoptimaliseerd.
Selecteer de enkele numerieke kolom die u wilt modelleren of voorspellen.
Voer het experiment uit.
Resultaten
Nadat de training is voltooid:
- Als u een samenvatting wilt zien van de parameters van het model, klikt u met de rechtermuisknop op de uitvoer van de module Train Model en selecteert u Visualize.
- Als u voorspellingen wilt maken, gebruikt u het getrainde model als invoer voor Score Model.
Voorbeelden
Zie de Azure AI Gallery voor voorbeelden van regressiemodellen.
- Voorbeeld van regressiemodellen vergelijken: contrasteert verschillende soorten regressiemodellen.
Technische opmerkingen
Het gebruik van de lambdacoëfficiënt wordt uitgebreid beschreven in dit artikel over machine learning: Pattern Recognition and Machine Learning, Christopher Christopher, Springer-Verlag, 2007.
Dit artikel is beschikbaar als PDF-download van de Microsoft Research-site: Bayesiaanse regressie en classificatie
Moduleparameters
| Name | Bereik | Type | Standaard | Beschrijving |
|---|---|---|---|---|
| Regularisatiegewicht | >= dubbel. Epsilon | Float | 1.0 | Typ een constante die moet worden gebruikt in de regularisatie. De constante vertegenwoordigt de verhouding van de precisie van het gewicht vóór de precisie van ruis. |
| Onbekende categorische niveaus toestaan | Alle | Booleaans | true | Indien waar wordt een extra niveau voor elke categorische kolom gemaakt. Alle niveaus in de testset die niet beschikbaar zijn in de trainingsset, worden toegewezen aan dit extra niveau. |
Uitvoerwaarden
| Naam | Type | Description |
|---|---|---|
| Niet-getraind model | ILearner-interface | Een ongetraind lineair Regressiemodel van Bayes |