Delen via

Wat is Geautomatiseerde Machine Learning (AutoML)?

Geautomatiseerde machine learning (AutoML) automatiseert het proces van het toepassen van machine learning op gegevens. Met behulp van een gegevensset kunt u AutoML uitvoeren om verschillende gegevenstransformaties, machine learning-algoritmen en hyperparameters te herhalen om het beste model te selecteren.

Notitie

Dit artikel verwijst naar de ML.NET AutoML-API, die momenteel in preview is. Materiaal is onderhevig aan verandering.

Hoe werkt AutoML?

Over het algemeen is de werkstroom voor het trainen van machine learning-modellen als volgt:

  • Een probleem definiëren
  • Gegevens verzamelen
  • Gegevens vooraf verwerken
  • Een model trainen
  • Het model evalueren

traditionele ML- en AutoML-trainingswerkstroom

Voorverwerking, training en evaluatie zijn een experimenteel en iteratief proces dat meerdere experimenten vereist totdat u bevredigende resultaten bereikt. Omdat deze taken vaak herhalend zijn, kan AutoML helpen deze stappen te automatiseren. Naast automatisering worden optimalisatietechnieken gebruikt tijdens het trainings- en evaluatieproces om algoritmen en hyperparameters te vinden en te selecteren.

Wanneer moet ik AutoML gebruiken?

Of u nu net aan de slag gaat met machine learning of als u een ervaren gebruiker bent, AutoML biedt oplossingen voor het automatiseren van het modelontwikkelingsproces.

  • Beginners: als u geen kennis hebt met machine learning, vereenvoudigt AutoML het modelontwikkelingsproces door een set standaardinstellingen op te geven die het aantal beslissingen vermindert dat u moet nemen bij het trainen van uw model. Als u dit doet, kunt u zich richten op uw gegevens en het probleem dat u probeert op te lossen en AutoML de rest laten doen.
  • Ervaren gebruikers: als u enige ervaring hebt met machine learning, kunt u de standaardinstellingen van AutoML aanpassen, configureren en uitbreiden op basis van uw behoeften terwijl u nog steeds gebruikmaakt van de automatiseringsmogelijkheden.

AutoML in ML.NET

  • Featurizer - Handige API voor het automatiseren van gegevensvoorverwerking.
  • Proefversie - Een enkele hyperparametersoptimalisatieuitvoering.
  • Experiment - Een verzameling AutoML-proefversies. ML.NET biedt een API op hoog niveau voor het maken van experimenten waarmee standaardwaarden worden ingesteld voor de afzonderlijke onderdelen van Sweepable Pipeline, Search Space en Tuner.
  • zoekruimte : het bereik van beschikbare opties waaruit u hyperparameters kunt kiezen.
  • Tuner : de algoritmen die worden gebruikt om hyperparameters te optimaliseren. ML.NET ondersteunt de volgende tuners:
    • Cost Frugal Tuner - Implementatie van Frugal Optimization voor kostengerelateerde Hyperparameters, waarbij rekening wordt gehouden met de trainingskosten
    • Eci Cost Frugal Tuner - Implementatie van Cost Frugal Tuner voor hiërarchische zoekruimten. Standaardafstemmer gebruikt door AutoML.
    • SMAC- - Tuner die willekeurige forests gebruikt om Bayesiaanse optimalisatie toe te passen.
    • Grid Search - Tuner die het beste werkt voor kleine zoekruimten.
    • willekeurige zoekopdrachten
  • Sweepable Estimator - Een ML.NET estimator die een zoekruimte bevat.
  • Sweepable Pipeline- Een ML.NET-pijplijn die een of meer Sweepable Estimators bevat.
  • Trial Runner - AutoML-onderdeel dat gebruikmaakt van opruimende pijplijnen en proefinstellingen om resultaten van modeltraining en evaluatie te genereren.

Het wordt aanbevolen voor beginners om te beginnen met de standaardwaarden van de experiment-API op hoog niveau. Voor meer ervaren gebruikers die op zoek zijn naar aanpassingsopties, gebruikt u de veegbare estimator, opruimende pijplijn, zoekruimte, proefloper en tuneronderdelen.

Zie de handleiding over het gebruik van de ML.NET Automated Machine Learning (AutoML) API voor meer informatie over hoe u aan de slag gaat met de AutoML-API.

Ondersteunde taken

AutoML biedt vooraf geconfigureerde standaardwaarden voor de volgende taken:

  • Binaire classificatie
  • Classificatie met meerdere klassen
  • Regressie

Voor andere taken kunt u uw eigen proefloper bouwen om deze scenario's mogelijk te maken. Zie de handleiding De ML.NET AutoML-API (Automated Machine Learning) gebruiken voor meer informatie.

Volgende stappen

  • Last updated on