Stosowanie przekształcenia

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.

Stosuje dobrze określone przekształcenie danych do zestawu danych

Kategoria: Machine Learning / Wynik

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

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

Omówienie modułu

W tym artykule opisano sposób użycia modułu Zastosuj transformację w programie Machine Learning Studio (wersja klasyczna) w celu zmodyfikowania wejściowego zestawu danych na podstawie wcześniej obliczonego przekształcenia.

Jeśli na przykład używasz wyników z do normalizacji danych treningowych przy użyciu modułu Normalize Data (Normalizacja danych), warto użyć wartości wyniku Z, która została obliczona na użytek trenowania w fazie oceniania. W Machine Learning Studio (klasycznej) można to łatwo zrobić, zapisując metodę normalizacji jako przekształcenie, a następnie używając metody Zastosuj przekształcenie, aby zastosować wynik Z do danych wejściowych przed ocenianiem.

Machine Learning Studio (klasyczne) zapewnia obsługę tworzenia, a następnie stosowania wielu różnych rodzajów przekształceń niestandardowych. Na przykład możesz zapisać, a następnie ponownie użyć przekształceń, które wykonają następujące czynności:

• Usuwanie lub zastępowanie brakujących wartości przy użyciu funkcji Clean Missing Data (Czyszczenie brakujących danych)

• Bin, scale, and normalize data, using Normalize Data or Group Data into Bins (Pojemniki, skalowanie i normalizacja danych przy użyciu normalizacji danych lub grupowania danych w pojemniki)

• Utwórz zestaw kompaktowych cech, obliczając wspólny rozkład prawdopodobieństwa dla zestawu danych przy użyciu Edukacja z modułami Counts.

Jak używać przekształcenia zastosuj

1. Dodaj moduł Apply Transformation (Zastosuj transformację) do eksperymentu. Moduł thi można znaleźć w Machine Learning w kategorii Wynik.

2. Znajdź istniejące przekształcenie do użycia jako dane wejściowe.

   Jeśli transformacja została utworzona wcześniej w eksperymencie (na przykład w ramach operacji czyszczenia lub skalowania danych), zwykle obiekt interfejsu ITransform jest dostępny w danych wyjściowych modułu po prawej stronie. Połączenie dane wyjściowe po lewej stronie w okienku Zastosuj przekształcenie.

   Wcześniej zapisane przekształcenia można znaleźć w grupie Przekształcenia w okienku nawigacji po lewej stronie.

   Porada

   Jeśli zaprojektujemy przekształcenie dla eksperymentu, ale nie zapiszemy go jawnie, będzie ono dostępne w obszarze roboczym, o ile sesja jest otwarta. Jeśli zamkniesz sesję, ale nie zapiszemy przekształcenia, możesz ponownie uruchomić eksperyment, aby wygenerować obiekt interfejsu ITransform .

3. Połączenie zestaw danych, który chcesz przekształcić. Zestaw danych powinien mieć dokładnie ten sam schemat (liczbę kolumn, nazwy kolumn, typy danych) co zestaw danych, dla którego najpierw zaprojektowano przekształcenie.

4. Nie trzeba ustawiać żadnych innych parametrów. Wszystkie dostosowania są wykonywane podczas definiowania przekształcenia.

5. Aby zastosować przekształcenie do nowego zestawu danych, uruchom eksperyment.

Przykłady

Aby zobaczyć, jak ten moduł jest używany w uczeniu maszynowym, zobacz Azure AI Gallery:

• Wykrywanie oszustw online: w tym przykładzie pokazano, jak używać funkcji Zastosuj transformację z czyszczeniem brakujących danych w celu zapewnienia, że brakujące wartości są obsługiwane tak samo we wszystkich zestawach danych.

• Konserwacja predykcyjna: pokazuje, jak używać funkcji Zastosuj transformację znormalizacją danych.

• Edukacja z liczbami: używa zastosowania przekształcenia do ponownego użycia tabeli zliczania.

Uwagi techniczne

Moduł Zastosuj transformację może przyjąć jako dane wejściowe dane wyjściowe dowolnego modułu, który tworzy interfejs ITransform. Te moduły obejmują:

• Czyszczenie brakujących danych

• Normalizowanie danych

• Grupowanie danych w pojemniki

• Edukacja z liczbami

Porada

Możesz również zapisywać i ponownie używać filtrów przeznaczonych do cyfrowego przetwarzania sygnałów. Jednak filtry używają interfejsu IFilter , a nie interfejsu ITransform.

Oczekiwane dane wejściowe

Nazwa	Typ	Opis
Przekształcenia	ITransform, interfejs	Przekształcanie danych w trybie unary
Zestaw danych	Tabela danych	Zestaw danych do przekształcenia

Dane wyjściowe

Nazwa	Typ	Opis
Przekształcony zestaw danych	Tabela danych	Przekształcony zestaw danych

Wyjątki

Wyjątek	Opis
Błąd 0003	Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty.

Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kody błędów.

Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).

Zobacz też

Filtr
Stosowanie przekształcenia SQL
Czyszczenie brakujących danych
Normalizowanie danych
Lista modułów A–Z
Grupowanie danych w pojemniki