Moduły klasyfikacji
Ważne
Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.
Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).
- Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z programu ML Studio (wersja klasyczna) do Azure Machine Learning.
- Dowiedz się więcej o Azure Machine Learning.
Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.
W tym artykule opisano moduły programu Machine Learning Studio (klasyczne), które obsługują tworzenie modeli klasyfikacji. Za pomocą tych modułów można tworzyć binarne lub wieloklasowe modele klasyfikacji.
Uwaga
Dotyczy: Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
Informacje o klasyfikacji
Klasyfikacja to metoda uczenia maszynowego, która używa danych do określenia kategorii, typu lub klasy elementu lub wiersza danych. Klasyfikacja umożliwia na przykład:
- Klasyfikowanie filtrów wiadomości e-mail jako spamu, wiadomości-śmieci lub dobrego.
- Ustal, czy próbka z laboratorium pacjenta jest chora na raka.
- Kategoryzowanie klientów według ich zgorętności do reagowania na kampanię sprzedażową.
- Zidentyfikuj tonacji jako pozytywną lub negatywną.
Zadania klasyfikacji są często zorganizowane według tego, czy klasyfikacja jest binarna (A lub B), czy wieloklasowa (wiele kategorii, które można przewidzieć przy użyciu jednego modelu).
Tworzenie modelu klasyfikacji
Aby utworzyć model klasyfikacji lub klasyfikator, najpierw wybierz odpowiedni algorytm. Weź pod uwagę następujące czynniki:
- Ile klas lub różnych wyników chcesz przewidzieć?
- Jaki jest rozkład danych?
- Ile czasu można pozwolić na trenowania?
Machine Learning Studio (klasyczne) udostępnia wiele algorytmów klasyfikacji. W przypadku użycia algorytmu One-Vs-All można nawet zastosować klasyfikator binarny do problemu wieloklasowego.
Po wybraniu algorytmu i skonfigurowaniu parametrów przy użyciu modułów w tej sekcji wytrenuj model na podstawie danych oznaczonych etykietami. Klasyfikacja to nadzorowana metoda uczenia maszynowego. Zawsze wymaga ona danych treningowych oznaczonych etykietami.
Po zakończeniu trenowania można ocenić i dostroić model. Jeśli model ci się podoba, użyj wytrenowany model do oceniania z nowymi danymi.
Lista modułów
Kategoria Klasyfikacja obejmuje następujące moduły:
- Wieloklasowy las decyzyjny: tworzy wieloklasowy model klasyfikacji przy użyciu algorytmu lasu decyzyjnego.
- Wieloklasowy model klasyfikacji: tworzy wieloklasowy model klasyfikacji przy użyciu algorytmu algorytmu algorytmu podejmowania decyzji.
- Wieloklasowa regresja logistyczna: tworzy wieloklasowy model klasyfikacji regresji logistycznej.
- Wieloklasowa sieć neuronowa: tworzy wieloklasowy model klasyfikacji przy użyciu algorytmu sieci neuronowej.
- moduł wieloklasowy „jeden przeciw wszystkim”: tworzy wieloklasowy model klasyfikacji z zespołu binarnych modeli klasyfikacji.
- Dwuklasowy uśredniony perceptron: tworzy uśredniony binarny model klasyfikacji perceptronu.
- Maszyna dwuklasowego punktu Bayesa: tworzy binarny model klasyfikacji komputera punktu Bayesa.
- Dwuklasowe, wzmacniane drzewo decyzyjne: tworzy klasyfikator binarny przy użyciu algorytmu wzmacnianego drzewa decyzyjnego.
- Dwuklasowy las decyzyjny: tworzy dwuklasowy model klasyfikacji przy użyciu algorytmu lasu decyzyjnego.
- Two-Class Decision Model: Tworzy dwuklasowy model klasyfikacji przy użyciu algorytmu algorytmu podejmowania decyzji.
- Dwuklasowa maszyna wektorów wsparcia lokalnie głębokiego: tworzy binarny model klasyfikacji przy użyciu algorytmu maszyny wektorów wektorów wsparcia lokalnego.
- Dwuklasowa regresja logistyczna: tworzy dwuklasowy model regresji logistycznej.
- Dwuklasowa sieć neuronowa: tworzy klasyfikator binarny przy użyciu algorytmu sieci neuronowej.
- Dwuklasowa maszyna wektorów wsparcia: tworzy binarny model klasyfikacji przy użyciu algorytmu Support Vector Machine.
Przykłady
Przykłady klasyfikacji w akcji można znaleźć w Azure AI Gallery.
Aby uzyskać pomoc przy wyborze algorytmu, zobacz następujące artykuły:
Ściągawka dla algorytmów uczenia maszynowego dla Machine Learning
Zawiera graficzny wykres decyzyjny, który poprowadzi Cię przez proces wyboru.
Wybieranie Machine Learning algorytmów klastrowania, klasyfikacji lub regresji
Bardziej szczegółowo opisano różne typy algorytmów uczenia maszynowego i sposób ich działania.