Klasyfikacja automatycznego uczenia maszynowego

W tym artykule opisano składnik w projektancie usługi Azure Machine Learning.

Ten składnik umożliwia utworzenie modelu uczenia maszynowego opartego na klasyfikacji automatycznego uczenia maszynowego.

Sposób konfigurowania

Ten składnik tworzy model klasyfikacji na danych tabelarycznych.

Ten model wymaga zestawu danych szkoleniowych. Zestawy danych sprawdzania poprawności i testowania są opcjonalne.

Rozwiązanie AutoML tworzy wiele potoków równolegle, które próbują użyć różnych algorytmów i parametrów dla modelu. Usługa iteruje za pomocą algorytmów uczenia maszynowego sparowanych z wyborami funkcji, gdzie każda iteracja generuje model z wynikiem trenowania. Możesz wybrać metryki, dla której ma zostać zoptymalizowany model. Lepszy wynik dla wybranej metryki, tym lepiej model jest uznawany za "dopasowany" do danych. Możesz zdefiniować kryteria zakończenia eksperymentu. Kryteria zakończenia będą modelem z określonym wynikiem trenowania, który ma być wyszukiwany przez rozwiązanie AutoML. Zatrzyma się po osiągnięciu zdefiniowanych kryteriów zakończenia. Ten składnik wyświetli następnie najlepszy model, który został wygenerowany na końcu przebiegu zestawu danych.

  1. Dodaj składnik klasyfikacji automatycznego uczenia maszynowego do potoku.

  2. Określ kolumnę docelową, dla której model ma zostać wyświetlony

  3. W przypadku klasyfikacji można również włączyć uczenie głębokie.

Jeśli uczenie głębokie jest włączone, walidacja jest ograniczona do train_validation podziału.

  1. (Opcjonalnie) Wyświetlanie ustawień konfiguracji dodawania: dodatkowe ustawienia, których można użyć, aby lepiej kontrolować zadanie trenowania. W przeciwnym razie wartości domyślne są stosowane na podstawie wyboru eksperymentu i danych.

    Dodatkowe konfiguracje opis
    Metryka podstawowa Główna metryka używana do oceniania modelu. Dowiedz się więcej o metrykach modelu.
    Debugowanie modelu za pośrednictwem pulpitu nawigacyjnego Odpowiedzialne używanie sztucznej inteligencji Wygeneruj pulpit nawigacyjny odpowiedzialnej sztucznej inteligencji, aby przeprowadzić całościową ocenę i debugowanie zalecanego najlepszego modelu. Obejmuje to szczegółowe informacje, takie jak wyjaśnienia modelu, sprawiedliwość i eksplorator wydajności, eksplorator danych i analiza błędów modelu. Dowiedz się więcej na temat sposobu generowania pulpitu nawigacyjnego odpowiedzialnej sztucznej inteligencji.
    Zablokowany algorytm Wybierz algorytmy, które chcesz wykluczyć z zadania trenowania.

    Zezwalanie na algorytmy jest dostępne tylko dla eksperymentów zestawu SDK.
    Zobacz obsługiwane algorytmy dla każdego typu zadania.
    Kryterium wyjścia Po spełnieniu któregokolwiek z tych kryteriów zadanie szkoleniowe zostanie zatrzymane.
    Czas zadania trenowania (godziny): jak długo można uruchomić zadanie szkoleniowe.
    Próg oceny metryki: minimalny wynik metryki dla wszystkich potoków. Gwarantuje to, że jeśli masz zdefiniowaną metrykę docelową, którą chcesz osiągnąć, nie poświęcasz więcej czasu na zadanie szkoleniowe niż jest to konieczne.
    Współbieżność Maksymalna liczba iteracji współbieżnych: maksymalna liczba potoków (iteracji) do testowania w zadaniu trenowania. Zadanie nie zostanie uruchomione więcej niż określona liczba iteracji. Dowiedz się więcej o tym, jak zautomatyzowane uczenie maszynowe wykonuje wiele zadań podrzędnych w klastrach.

  2. Formularz weryfikacji i testowania [opcjonalnie] umożliwia wykonanie następujących czynności.

    1. Określ typ weryfikacji, który ma być używany dla zadania szkoleniowego.

    2. Podaj testowy zestaw danych (wersja zapoznawcza), aby ocenić zalecany model generowany przez zautomatyzowane uczenie maszynowe na końcu eksperymentu. Po podaniu danych testowych zadanie testowe zostanie automatycznie wyzwolone na końcu eksperymentu. To zadanie testowe jest zadaniem tylko w przypadku najlepszego modelu zalecanego przez zautomatyzowane uczenie maszynowe.

      Ważne

      Udostępnianie testowego zestawu danych do oceny wygenerowanych modeli jest funkcją w wersji zapoznawczej. Ta funkcja jest eksperymentalną funkcją w wersji zapoznawczej i może ulec zmianie w dowolnym momencie.

      • Dane testowe są uznawane za oddzielone od trenowania i walidacji, aby nie odchylić wyników zadania testowego zalecanego modelu. Dowiedz się więcej o stronniczy sposób sprawdzania poprawności modelu.
      • Możesz podać własny zestaw danych testowych lub zdecydować się na użycie procentu zestawu danych treningowych. Dane testowe muszą być w postaci tabelarycznego zestawu danych usługi Azure Machine Learning.
      • Schemat zestawu danych testowego powinien być zgodny z zestawem danych trenowania. Kolumna docelowa jest opcjonalna, ale jeśli żadna kolumna docelowa nie wskazuje, że nie są obliczane żadne metryki testowe.
      • Zestaw danych testowych nie powinien być taki sam jak zestaw danych trenowania ani zestaw danych weryfikacji.

Następne kroki

Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.

  • Ostatnia aktualizacja o