Nuta
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
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 w programie Machine Learning Studio (wersja klasyczna), które mogą ułatwić pracę z danymi liczbowych. W przypadku uczenia maszynowego typowe zadania dotyczące danych obejmują przycinanie, bicie i normalizację wartości liczbowych. Inne moduły obsługują redukcję wymiarowości.
Uwaga
Dotyczy: Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
Modelowanie danych liczbowych
Zadania, takie jak normalizacja, bicie lub redystrybucja zmiennych liczbowych, są ważną częścią przygotowywania danych do uczenia maszynowego. Moduły w tej grupie obsługują następujące zadania przygotowywania danych:
- Grupowanie danych w pojemniki o różnych rozmiarach lub dystrybucjach.
- Usuwanie wartości od zewnątrz lub zmienianie ich wartości.
- Normalizowanie zestawu wartości liczbowych do określonego zakresu.
- Tworzenie zwartego zestawu kolumn cech z zestawu danych o wysokim wymiarze.
Zadania powiązane
- Wybierz odpowiednie i przydatne funkcje, które mają być przydatne podczas tworzenia modelu: użyj modułów Wybór cech lub Dyskryminowanie liniowe programu Linear Discriminant Analysis .
- Wybierz funkcje na podstawie liczby wartości: użyj modułu Edukacja z liczbami.
- Usuń lub zamień brakujące wartości: użyj modułu Clean Missing Data (Czyszczenie brakujących danych).
- Zastąp wartości podzielone na kategorie wartościami liczbami pochodzącymi z obliczeń: użyj modułu Zastąp wartości dyskretne .
- Obliczanie rozkładu prawdopodobieństwa dla kolumn dyskretnych lub liczbowych: użyj modułu Evaluate Probability Function (Ocena funkcji prawdopodobieństwa ).
- Filtrowanie i przekształcanie sygnałów cyfrowych i formularzy falowych: użyj modułu Filter .
Lista modułów
Ta kategoria Przekształcanie danych — skalowanie i zmniejszanie obejmuje następujące moduły:
- Obcinanie wartości: wykrywa wartości odejmowe, a następnie klipuje lub zastępuje ich wartości.
- Grupowanie danych w pojemniki: umieszcza dane liczbowe w pojemnikach.
- Normalizowanie danych: ponownie skaluje dane liczbowe, aby ograniczyć wartości zestawu danych do zakresu standardowego.
- Analiza głównych składników: oblicza zestaw cech, które mają ograniczoną wymiarowość, aby skuteczniej uczyć się.