Cheatsheet voor Machine Learning-algoritme voor Azure Machine Learning Designer
De cheatsheet voor Het Azure Machine Learning-algoritme helpt u bij het kiezen van het juiste algoritme van 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 belangrijke vooraf gedefinieerde onderdelen 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 verpakken als onderdeel. Het biedt ondersteuning voor het delen van onderdelen in werkruimten en naadloze creatie in Studio-, CLI v2- en SDK v2-interfaces.
Voor nieuwe projecten raden we u ten zeerste aan aangepaste onderdelen te gebruiken, die compatibel is met AzureML V2 en nieuwe updates blijven ontvangen.
Dit artikel is van toepassing op klassieke vooraf samengestelde onderdelen en niet compatibel met CLI v2 en SDK v2.
Azure Machine Learning heeft een grote bibliotheek met algoritmen uit de classificatie, aanbevelingssystemen, clustering, anomaliedetectie, regressie en tekstanalysefamilies. Elk is ontworpen om een ander type machine learning-probleem op te lossen.
Zie Algoritmen selecteren voor meer informatie.
Downloaden: CheatSheet voor Machine Learning-algoritme
Download hier het cheatsheet: Cheat Sheet voor Machine Learning-algoritme (11x17 in.)
Download en druk het cheatsheet voor machine learning-algoritmen in tabloidgrootte af om het handig te houden en hulp te krijgen bij het kiezen van een algoritme.
Het cheatsheet machine learning-algoritme gebruiken
De suggesties die in dit cheatsheet voor het algoritme worden aangeboden, zijn bij benadering regels van duim. Sommigen kunnen worden gebogen en sommige kunnen flagrant worden geschonden. Dit cheatsheet is bedoeld om een uitgangspunt voor te stellen. Wees niet bang om een hoofdconcurrentie tussen verschillende algoritmen op uw gegevens uit te voeren. Er is gewoon geen vervanging voor het begrijpen van de principes van elk algoritme en het systeem dat uw gegevens heeft gegenereerd.
Elk machine learning-algoritme heeft een eigen stijl of inductieve vooroordelen. Voor een specifiek probleem zijn verschillende algoritmen mogelijk geschikt en kan één algoritme beter passen dan andere. Maar het is niet altijd mogelijk om van tevoren te weten, wat de beste pasvorm is. In dergelijke gevallen worden verschillende algoritmen samen weergegeven in het cheatsheet. Een geschikte strategie is om één algoritme te proberen en als de resultaten nog niet bevredigend zijn, kunt u de andere proberen.
Voor meer informatie over de algoritmen in Azure Machine Learning Designer gaat u naar de naslaginformatie over algoritme en onderdelen.
Soorten machine learning
Er zijn drie hoofdcategorieën van machine learning: leren onder supervisie, leren zonder supervisie en versterking.
Leren onder supervisie
Bij leren onder supervisie wordt elk gegevenspunt gelabeld of gekoppeld aan een categorie of waarde van belang. Een voorbeeld van een categorisch label is het toewijzen van een afbeelding als een 'kat' of '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 als 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 om de structuur ervan te beschrijven. Leren zonder supervisie groeperen gegevens in clusters, zoals K-means doet of verschillende manieren vindt om complexe gegevens te bekijken, zodat deze eenvoudiger worden weergegeven.
Bekrachtigend leren
Bij versterking leren kan het algoritme een actie kiezen als reactie op elk gegevenspunt. Het is een algemene benadering in robotica, waarbij de set sensorleesbewerkingen op een bepaald moment een gegevenspunt is en het algoritme de volgende actie van de robot moet kiezen. Het is ook een natuurlijke fit voor Internet of Things-toepassingen. Het leeralgoritme ontvangt ook een beloningssignaal een korte tijd later, wat aangeeft hoe goed de beslissing was. Op basis van dit signaal wijzigt het algoritme zijn strategie om de hoogste beloning te bereiken.