Bayesyjska regresja liniowa
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.
Tworzy model regresji liniowej Bayesa
Kategoria: Machine Learning / Inicjowanie modelu / Regresja
Uwaga
Dotyczy: Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
Omówienie modułu
W tym artykule opisano sposób używania modułu bayesyjnej regresji liniowej w programie Machine Learning Studio (klasycznej) do definiowania modelu regresji na podstawie statystyk bayesańskich.
Po zdefiniowanych parametrach modelu musisz wyt szkolenie modelu przy użyciu oznakowanego zestawu danych i modułu Train Model (Trenowanie modelu). Wytrenowany model może następnie służyć do przewidywania. Alternatywnie nieprzetrenowany model może zostać przekazany do modelu krzyżowej weryfikacji w celu krzyżowego sprawdzania poprawności zestawu danych z etykietami.
Więcej informacji na temat regresji Bayesa
W statystyce bayesowskie podejście do regresji często jest przeciwieńsze z często używanym podejściem .
Metoda bayesyjska wykorzystuje regresję liniową uzupełnioną dodatkowymi informacjami w postaci wcześniejszego rozkładu prawdopodobieństwa. Wcześniejsze informacje o parametrach są łączone z funkcją prawdopodobieństwa generowania oszacowań dla parametrów.
Z kolei podejście frequentist reprezentowane przez standardową regresję liniową najmniejszych kwadratów zakłada, że dane zawierają wystarczające pomiary, aby utworzyć znaczący model.
Aby uzyskać więcej informacji na temat badań nad tym algorytmem, zobacz linki w sekcji Uwagi techniczne.
Jak skonfigurować regresję Bayesa
Dodaj moduł Bayesian Linear Regression (Regresja liniowa bayesianów ) do eksperymentu. Ten moduł można znaleźć w obszarze Machine Learning, Initialize, w kategorii Regresja.
Waga regularyzacji: wpisz wartość do użycia na użytek regularyzacji. Regularyzacja jest używana, aby zapobiec overfitting. Ta waga odpowiada L2. Aby uzyskać więcej informacji, zobacz sekcję Uwagi techniczne.
Zezwalaj na nieznane poziomy kategorii: wybierz tę opcję, aby utworzyć grupowanie nieznanych wartości. Model może akceptować tylko wartości zawarte w danych szkoleniowych. Model może być mniej precyzyjny w znanych wartościach, ale zapewniać lepsze przewidywania dla nowych (nieznanych) wartości.
Połączenie zestaw danych szkoleniowych i jeden z modułów szkoleniowych. Ten typ modelu nie ma parametrów, które można zmienić podczas czyszczenie parametrów, dlatego chociaż można wytszkolić model przy użyciu hiperparametrów modelu dostrajania, nie może automatycznie zoptymalizować modelu.
Wybierz pojedynczą kolumnę liczbową, która ma być modelowana lub przewidywana.
Uruchom eksperyment.
Wyniki
Po zakończeniu trenowania:
- Aby wyświetlić podsumowanie parametrów modelu, kliknij prawym przyciskiem myszy dane wyjściowe modułu Train Model (Trenowanie modelu) i wybierz pozycję Visualize (Wizualizacja).
- Aby utworzyć przewidywania, użyj wytrenowany model jako danych wejściowych w celu oceny modelu.
Przykłady
Przykłady modeli regresji można znaleźć w Azure AI Gallery.
- Porównaj przykład modeli regresji: Porównuje kilka różnych rodzajów modeli regresji.
Uwagi techniczne
Użycie współczynnika lambda opisano szczegółowo w tym podręczniku uczenia maszynowego: Rozpoznawanie wzorców i Machine Learning, ChristopherAi Springer-Verlag, 2007.
Ten artykuł jest dostępny do pobrania w formacie PDF z witryny microsoft research:Bayesian Regression and Classification (Regresja i klasyfikacja bayesyjska)
Parametry modułu
| Nazwa | Zakres | Typ | Domyślny | Opis |
|---|---|---|---|---|
| Waga regularyzacji | >= double. Epsilon | Float | 1.0 | Wpisz stałą do użycia w regularyzacji. Stała reprezentuje stosunek dokładności wagi do dokładności szumu. |
| Zezwalaj na nieznane poziomy kategorii | Dowolne | Wartość logiczna | true | Wartość true powoduje utworzenie dodatkowego poziomu dla każdej kolumny kategorii. Wszystkie poziomy w testowym zestawie danych niedostępne w zestawie danych treningowych są mapowane na ten dodatkowy poziom. |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Nieprzetrenowany model | ILearner, interfejs | Niewytrenowany bayesański model regresji liniowej |