Wat is Model Builder?

  • 4 minuten

Machine learning is een techniek die gebruikmaakt van wiskunde en statistieken om patronen in gegevens te identificeren zonder expliciet te worden geprogrammeerd. Model Builder is een grafische Visual Studio-extensie voor het trainen en implementeren van aangepaste machine learning-modellen met behulp van ML.NET.

Screenshot that shows the Model Builder Visual Studio extension for M L dot NET.

Stel dat u de prijs van een woning wilt voorspellen. Als u één functie gebruikt, zoals de grootte van een huis op vierkante meter om de prijs te schatten, kunt u waarschijnlijk een heuristiek programmeren die grotere huizen correleert met een hogere prijs.

Graph that shows a linear regression model for house price.

De wereld is echter niet altijd zo eenvoudig. Veel variabelen beïnvloeden de prijs van een woning. In dergelijke gevallen wordt het bedenken van een eenvoudige heuristiek die edge-zaken vastlegt moeilijk en kan machine learning een betere oplossing zijn.

Met machine learning gebruikt u historische gegevens in plaats van expliciet programmeerregels om deze regels te identificeren op basis van werkelijke waarnemingen. De patronen die via machine learning worden gevonden, worden vervolgens gebruikt om een artefact te maken dat een model wordt genoemd om voorspellingen te doen met behulp van nieuwe en eerder ongelezen gegevens.

ML.NET is een opensource-platformoverschrijdend machine learning-framework voor .NET. U kunt uw bestaande .NET-vaardigheden dus toepassen en de hulpprogramma's gebruiken waarmee u bekend bent (zoals Visual Studio) om machine learning-modellen te trainen.

Welke typen problemen kan ik oplossen met behulp van Model Builder?

U kunt Model Builder gebruiken om veel veelvoorkomende machine learning-problemen op te lossen, zoals:

  • Gegevens categoriseren: nieuwsartikelen organiseren op onderwerp.
  • Een numerieke waarde voorspellen: Schat de prijs van een woning in.
  • Items groeperen met vergelijkbare kenmerken: Segmentklanten.
  • Aanbevolen items: Films aanbevelen.
  • Afbeeldingen classificeren: Tag een afbeelding op basis van de inhoud.
  • Objecten in een afbeelding detecteren: voetgangers en fietsen detecteren op een kruispunt.

Hoe kan ik modellen bouwen met behulp van Model Builder?

Over het algemeen bestaat het proces van het toevoegen van machine learning-modellen aan uw toepassingen uit twee stappen: training en verbruik.

Training

Training is het proces van het toepassen van algoritmen op historische gegevens om een model te maken dat onderliggende patronen vastlegt. Vervolgens kunt u het model gebruiken om voorspellingen te doen over nieuwe gegevens.

Model Builder maakt gebruik van geautomatiseerde machine learning (AutoML) om het beste model voor uw gegevens te vinden. AutoML automatiseert het proces van het toepassen van machine learning op gegevens. U kunt een AutoML-experiment uitvoeren op een gegevensset om verschillende gegevenstransformaties, machine learning-algoritmen en -instellingen te herhalen en vervolgens het beste model te selecteren.

U hebt geen machine learning-expertise nodig om Model Builder te kunnen gebruiken. U hebt alleen wat gegevens en een probleem nodig om op te lossen.

Het modeltrainingsproces bestaat uit de volgende stappen:

  1. Kies een scenario: Welk probleem probeert u op te lossen? Het scenario dat u kiest, is afhankelijk van uw gegevens en wat u wilt voorspellen.
  2. Kies een omgeving: Waar wilt u uw model trainen? Afhankelijk van beschikbare rekenresources, kosten, privacyvereisten en andere factoren, kunt u ervoor kiezen om modellen lokaal op uw computer of in de cloud te trainen.
  3. Laad uw gegevens: laad de gegevensset die moet worden gebruikt voor training. Definieer de kolommen die u wilt voorspellen en kies vervolgens de kolommen die u wilt gebruiken als invoer voor uw voorspelling.
  4. Uw model trainen: Laat AutoML het beste algoritme voor uw gegevensset kiezen op basis van het scenario dat u hebt gekozen.
  5. Evalueer uw model: gebruik metrische gegevens om te evalueren hoe goed uw model presteert en voorspellingen doet over nieuwe gegevens.

Verbruik

Nadat u een machine learning-model hebt getraind, is het tijd om het te gebruiken om voorspellingen te doen. Verbruik is het proces van het gebruik van een getraind machine learning-model om voorspellingen te doen over nieuwe en eerder ongelezen gegevens. Met Model Builder kunt u machine learning-modellen van nieuwe en bestaande .NET-projecten gebruiken.

Machine Learning-modellen op basis van ML.NET worden geserialiseerd en opgeslagen in een bestand. Het modelbestand kan vervolgens in elke .NET-toepassing worden geladen en worden gebruikt om voorspellingen te doen via ML.NET API's. Deze toepassingstypen zijn onder andere:

  • ASP.NET Core Web-API
  • Azure Functions
  • Blazor
  • Windows Presentation Foundation (WPF) of Windows Forms (WinForms)
  • Console
  • Klassebibliotheek

In de volgende les leert u meer over het proces van het trainen van een machine learning-model in Model Builder.