Machine Learning — inicjowanie modelu

  • Artykuł

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).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

W tym artykule opisano moduły w programie Machine Learning Studio (wersja klasyczna), których można użyć do zdefiniowania modelu uczenia maszynowego i ustawienia jego parametrów.

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

Nie wytrenowany model można myśleć jak o specyfikacji, która może być zastosowanie do różnych wejściowych zestawów danych. Możesz zastosować tę samą specyfikację modelu do różnych danych i uzyskać różne wyniki. Możesz też użyć specyfikacji , aby ponownie wytrenować model. Następnie możesz dodać nowe dane.

W tym artykule opisano również ogólny proces tworzenia, trenowania, oceniania i oceniania modelu w programie Machine Learning Studio (wersja klasyczna).

Tworzenie i używanie modeli uczenia maszynowego w programie Machine Learning Studio (wersja klasyczna)

Typowy przepływ pracy uczenia maszynowego obejmuje następujące fazy:

  • Wybierz odpowiedni algorytm i ustaw opcje początkowe.
  • Trenowanie modelu przy użyciu zgodnych danych.
  • Tworzenie przewidywań przy użyciu nowych danych na podstawie wzorców w modelu.
  • Oceń model, aby ustalić, czy przewidywania są dokładne, ilość błędów i czy występuje przepasanie.

Machine Learning Studio (wersja klasyczna) obsługuje elastyczną, dostosowywaną platformę do uczenia maszynowego. Każde zadanie w tym procesie jest wykonywane przez określony typ modułu. Moduły można modyfikować, dodawać lub usuwać bez przerywania pozostałej części eksperymentu.

Użyj modułów z tej kategorii, aby wybrać algorytm początkowy. Następnie skonfiguruj szczegółowe parametry na podstawie określonego typu modelu. Następnie można zastosować tę specyfikację modelu do zestawu danych.

Informacje o tworzeniu modeli

Machine Learning udostępnia wiele najnowocześniejsze algorytmów uczenia maszynowego, które ułatwiają tworzenie modeli analitycznych. Każdy algorytm jest spakowany we własnym module. Aby utworzyć dostosowany model:

  1. Wybierz model według kategorii.

    Algorytmy są pogrupowane według określonych typów zadań predykcyjnych. Przykłady obejmują regresję, klasyfikację i rozpoznawanie obrazów. Pierwszym zadaniem jest zidentyfikowanie ogólnej kategorii zadania uczenia maszynowego do wykonania, a następnie wybranie algorytmu.

  2. Konfigurowanie parametrów algorytmu.

    Użyj okienka Właściwości w każdym module, aby ustawić parametry. Parametry kontrolują sposób, w jaki model uczy się na danych.

  3. Trenowanie modelu na danych.

    Po skonfigurowaniu modelu połącz zestaw danych. Następnie użyj jednego z modułów szkoleniowych, aby uruchomić dane za pomocą algorytmów, których chcesz użyć.

    Hiperparametry modelu dostrajania mogą być wykorzystywane do iterowania wszystkich możliwych parametrów i określania optymalnej konfiguracji zadania i danych.

  4. Przewidywanie, ocenianie lub ocenianie.

    Po skompilowaniu i wytębniu modelu zazwyczaj następnym krokiem jest użycie jednego z modułów oceniania do wygenerowania przewidywań na podstawie modelu.

    Moduły do oceny modelu mogą być służące do mierzenia dokładności modelu na podstawie wygenerowanych wyników.

Lista modułów

Moduły w tej kategorii są zorganizowane według typu algorytmu uczenia maszynowego, który hermetyzują moduły. Każdy typ algorytmu zwykle wymaga innego typu danych.

Oprócz opisanych tutaj tradycyjnych kategorii algorytmów uczenia maszynowego następujące moduły zapewniają wyspecjalizowane typy uczenia się na podstawie danych lub przetwarzania wstępnego:

Zobacz też