Model trainen

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.

Traint een classificatie- of regressiemodel op een manier onder supervisie

Categorie: Machine Learning/trainen

Notitie

Van toepassing op: Machine Learning Studio (klassiek)

Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.

Moduleoverzicht

In dit artikel wordt beschreven hoe u de module Train Model in Machine Learning Studio (klassiek) gebruikt om een classificatie- of regressiemodel te trainen. De training vindt plaats nadat u een model hebt gedefinieerd en de parameters ervan hebt ingesteld. Hiervoor zijn getagde gegevens vereist. U kunt model trainen ook gebruiken om een bestaand model opnieuw te trainen met nieuwe gegevens.

Hoe het trainingsproces werkt

In Machine Learning is het maken en gebruiken van machine learning model doorgaans een proces met drie stappen.

1. U configureert een model door een bepaald type algoritme te kiezen en de parameters of hyperparameters te definiëren. Kies een van de volgende modeltypen:

   • Classificatiemodellen, gebaseerd op neurale netwerken, beslissings structuren, beslissings forests en andere algoritmen.
   • Regressiemodellen, die standaard lineaire regressie kunnen bevatten, of die gebruikmaken van andere algoritmen, waaronder neurale netwerken en Baysiaanse regressie.

2. Geef een gegevensset op die is gelabeld en gegevens bevat die compatibel zijn met het algoritme. Verbinding maken de gegevens en het model om het model te trainen.

   Wat training produceert, is een specifieke binaire indeling, de iLearner, die de statistische patronen inkapselen die uit de gegevens zijn geleerd. U kunt deze indeling niet rechtstreeks wijzigen of lezen. Andere modules in Studio (klassiek) kunnen echter gebruikmaken van dit getrainde model.

   U kunt ook eigenschappen van het model weergeven. Zie de sectie Resultaten voor meer informatie.

3. Nadat de training is voltooid, gebruikt u het getrainde model met een van de scoremodules om voorspellingen te doen over nieuwe gegevens.

Notitie

Andere gespecialiseerde machine learning vereisen verschillende trainingsmethoden en Studio (klassiek) biedt afzonderlijke trainingsmodules voor deze taken. Voor bijvoorbeeld afbeeldingsdetectie, clustering en afwijkingsafzetting worden allemaal aangepaste trainingsmethoden gebruikt. Train Model is alleen bedoeld voor gebruik met regressie- en classificatiemodellen.

Training onder supervisie en zonder supervisie

Mogelijk hebt u de termen leren onder supervisie of zonder supervisie gehoord. Het trainen van een classificatie- of regressiemodel met Train Model is een klassiek voorbeeld van supervisie machine learning. Dit betekent dat u een gegevensset moet leveren die historische gegevens bevat van waaruit patronen kunnen worden geleerd. De gegevens moeten zowel het resultaat (label) bevatten dat u probeert te voorspellen als gerelateerde factoren (variabelen). Het machine learning model heeft de resultaten nodig om de functies te bepalen die de resultaten het beste voorspellen.

Tijdens het trainingsproces worden de gegevens gesorteerd op resultaten en extraheert het algoritme statistische patronen om het model te bouwen.

Leren zonder supermomenten geeft aan dat het resultaat onbekend is of dat u ervoor kiest om geen bekende labels te gebruiken. Clusteralgoritmen maken bijvoorbeeld meestal gebruik van leermethoden zonder supermomenten, maar kunnen labels gebruiken, indien beschikbaar. Een ander voorbeeld is het modelleren van onderwerpen met behulp van LDA. U kunt Train Model niet gebruiken met deze algoritmen.

Tip

Bent u nog machine learning? In deze zelfstudie wordt u door het proces van het verkrijgen van gegevens, het configureren van een algoritme, het trainen en vervolgens het gebruik van een model doorlopen: Uw eerste machine learning experiment

Train Model gebruiken

1. Configureer Machine Learning in Machine Learning Studio (klassiek) een classificatiemodel of regressiemodelmodellen.

   U kunt ook een aangepast model trainen dat is gemaakt met behulp van R-model maken.

2. Voeg de module Train Model toe aan het experiment. U vindt deze module onder de Machine Learning categorie. Vouw Trainen uit en sleep de module Train Model naar uw experiment.

3. Koppel aan de linkerkant de ongetrainde modus. Koppel de trainingsset aan de rechterinvoer van Train Model.

   De trainingsset moet een labelkolom bevatten. Rijen zonder labels worden genegeerd.

4. Klik voor de kolom Label op Launch column selector en kies één kolom die resultaten bevat die het model kan gebruiken voor training.

   • Voor classificatieproblemen moet de labelkolom categorische waarden of discrete waarden bevatten. Sommige voorbeelden kunnen een ja/nee-classificatie, een classificatiecode of naam van een ziekte of een inkomstengroep zijn. Als u een niet-categorische kolom kiest, retourneert de module een fout tijdens de training.

   • Voor regressieproblemen moet de labelkolom numerieke gegevens bevatten die de antwoordvariabele vertegenwoordigen. In het ideale moment vertegenwoordigen de numerieke gegevens een doorlopende schaal.

   Voorbeelden zijn een kredietrisicoscore, de verwachte time-to-failure voor een harde schijf of het voorspelde aantal aanroepen naar een callcenter op een bepaalde dag of tijd. Als u geen numerieke kolom kiest, krijgt u mogelijk een foutmelding.

   • Als u niet opgeeft welke labelkolom moet worden gebruikt, Machine Learning u afleiden wat de juiste labelkolom is met behulp van de metagegevens van de gegevensset. Als de verkeerde kolom wordt geselecteerd, gebruikt u de kolom selector om deze te corrigeren.

   Tip

   Als u problemen hebt met het gebruik van de kolom selector, leest u het artikel Select Columns in Dataset (Kolommen in gegevensset selecteren) voor tips. Er worden enkele veelvoorkomende scenario's en tips beschreven voor het gebruik van de opties WITH RULESen BY NAME .

5. Voer het experiment uit. Als u veel gegevens hebt, kan dit even duren.

Resultaten

Nadat het model is getraind:

• Als u de modelparameters en functiegewichten wilt weergeven, klikt u met de rechtermuisknop op de uitvoer en selecteert u Visualiseren.

• Als u het model in andere experimenten wilt gebruiken, klikt u met de rechtermuisknop op het model en selecteert u Model opslaan. Typ een naam voor het model.

  Hiermee slaat u het model op als een momentopname die niet wordt bijgewerkt door herhaalde uitvoeringen van het experiment.

• Als u het model wilt gebruiken om nieuwe waarden te voorspellen, verbindt u het met de module Score Model , samen met nieuwe invoergegevens.

Gerelateerde taken

Als u een type model wilt trainen dat niet wordt ondersteund door Train Model, zijn er verschillende opties:

• Maak een aangepaste scoremethode met behulp van een R-script of gebruik een van de vele beschikbare R-scorepakketten.

  • R-model maken
  • R-Script uitvoeren

• Schrijf uw eigen Python-script om een model te trainen en te scoren, of gebruik een bestaande Python-bibliotheek:

  • Python-script uitvoeren

• Anomaliedetectiemodellen

  • Train Anomaly Detection Model ondersteunt de anomaliedetectiemodules in Studio (klassiek).

• Aanbevelingsmodellen

  • Als uw model gebruikmaakt van de Matchbox-aanbeveling die is opgegeven in Machine Learning, gebruikt u de module Train Matchbox Recommender.

  • Als u een ander algoritme gebruikt voor market basket analysis of recommendation, gebruikt u de trainingsmethoden in R-script of Python-script.

• Clusteringmodellen

  • Gebruik Clusteringmodel trainen voor het opgenomen K-means-algoritme.

  • Voor andere clusteringmodellen gebruikt u R-script - of Python-scriptmodules om de modellen te configureren en te trainen.

Voorbeelden

Voor voorbeelden van hoe de module Train Model wordt gebruikt in machine learning experimenten, bekijkt u deze experimenten in de Azure AI Gallery:

• Retailprognose: demonstreert hoe u meerdere modellen bouwt, traint en vergelijkt.
• Vluchtvertragingsvoorspelling: demonstreert hoe u meerdere gerelateerde classificatiemodellen traint.

Verwachte invoer

Naam	Type	Description
Niet-getraind model	ILearner-interface	Niet-getrainde leerder
Gegevensset	Gegevenstabel	Trainingsgegevens

Moduleparameters

Name	Bereik	Type	Standaard	Beschrijving
Kolom labelen	alle	ColumnSelection		Selecteer de kolom die het label of de resultaatkolom bevat

Uitvoerwaarden

Naam	Type	Description
Getraind model	ILearner-interface	Getrainde learner

Uitzonderingen

Zie Modulefoutcodes voor een lijst met alle modulefouten.

Uitzondering	Description
Fout 0032	Uitzondering treedt op als argument geen getal is.
Fout 0033	Uitzondering treedt op als argument Oneindig is.
Fout 0083	Uitzondering treedt op als de gegevensset die wordt gebruikt voor training, niet kan worden gebruikt voor een concreet type leerder.
Fout 0035	Uitzondering treedt op als er geen functies zijn opgegeven voor een bepaalde gebruiker of een bepaald item.
Fout 0003	Uitzondering treedt op als een of meer invoer null of leeg zijn.
Fout 0020	Uitzondering treedt op als het aantal kolommen in sommige gegevenssets dat aan de module wordt doorgegeven te klein is.
Fout 0021	Uitzondering treedt op als het aantal rijen in sommige gegevenssets dat aan de module wordt doorgegeven te klein is.
Fout 0013	Er treedt een uitzondering op als de module-learner een ongeldig type heeft.

Zie ook

Model evalueren
Lijst met A-Z-modules