Algoritmo e referência de componente para o designer do Azure Machine Learning

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

• v1
• v2 (versão atual)

Observação

O designer dá suporte a dois tipos de componentes, componentes predefinidos clássicos e componentes personalizados. Esses dois tipos de componentes não são compatíveis.

Os componentes predefinidos clássicos fornecem componentes predefinidos principalmente para processamento de dados e tarefas tradicionais de aprendizado de máquina, como regressão e classificação. Esse tipo de componente continua com suporte, mas não terá componentes novos adicionados.

Os componentes personalizados permitem que você forneça seu próprio código como um componente. Com suporte para compartilhamento entre os workspaces e as criação contínua nas interfaces SDK, CLI e Studio.

Este artigo é aplicável em componentes predefinidos clássicos.

Esse conteúdo de referência fornece a experiência técnica em cada um dos componentes predefinidos clássicos disponíveis no designer do Azure Machine Learning.

Cada componente representa um conjunto de códigos que podem ser executados de modo independente e executar uma tarefa de aprendizado de máquina, quando fornecidas as entradas necessárias. Um componente pode conter um algoritmo específico ou executar uma tarefa que seja importante no aprendizado de máquina, tal como substituição de um valor ausente ou análise estatística.

Para obter ajuda com a escolha de algoritmos, consulte

• Como selecionar algoritmos
• Página de dicas úteis do algoritmo do Azure Machine Learning

Dica

Em qualquer pipeline no designer, é possível obter informações sobre um componente específico. Selecione o link Saiba mais no cartão de componente ao passar o mouse sobre o componente na lista de componentes ou no painel direito do componente.

Componentes de preparação de dados

Funcionalidade	Descrição	componente
Dados de entrada e saída	Mova dados de fontes de nuvem para seu pipeline. Durante a execução de um pipeline, grave os resultados ou os dados intermediários no Armazenamento do Azure ou no Banco de Dados SQL ou use o armazenamento em nuvem para trocar dados entre os pipelines.	Inserir dados manualmente Exportar dados Importar dados
Transformação de dados	Operações em dados que são exclusivos para o aprendizado de máquina, tais como normalização ou compartimentalização de dados, redução de dimensionalidade e conversão de dados entre vários formatos de arquivo.	Adicionar Colunas Adicionar Linhas Aplicar Operação Matemática Aplicar Transformação SQL Limpar Dados Ausentes Recortar Valores Converter em CSV Converter em Conjunto de Dados Converter em Valores de Indicador Editar Metadados Agrupar Dados em Compartimentos Unir Dados Normalizar Dados Particionar e Gerar Amostra Remover Linhas Duplicadas SMOTE Selecionar Colunas para Transformação Projetar Colunas no Conjunto de Dados Dividir Dados
Seleção de recursos	Escolha um subconjunto de recursos relevantes e úteis a serem usados na criação de um modelo analítico.	Seleção de Recursos Baseada em Filtro Importância do Recurso de Permuta
Funções estatísticas	Forneça uma ampla variedade de métodos estatísticos relacionados à ciência de dados.	Resumir Dados

Algoritmos de aprendizado de máquina

Funcionalidade	Descrição	componente
Regressão	Prever um valor.	Regressão de Árvore de Decisão Aumentada Regressão de Floresta de Decisão Regressão rápida de quantil de floresta Regressão Linear Regressão de Rede Neural Regressão de Poisson
Clustering	Agrupar dados juntos.	Cluster K-Means
classificação	Prever uma classe. Escolha entre os algoritmos binário (duas classes) ou multiclasse.	Árvore de Decisão Aumentada Multiclasse Floresta de Decisão Multiclasse Regressão Logística Multiclasse Rede Neural Multiclasse Um contra Todas as Multiclasses Multiclasse Um contra Um Perceptron Médio de Duas Classes Árvore de Decisão Aumentada de Duas Classes Floresta de Decisão de Duas Classes Regressão Logística de Duas Classes Rede Neural de Duas Classes Computador de Vetor de Suporte de Duas Classes

Componentes de criação e avaliação de modelos

Funcionalidade	Descrição	componente
Treinamento de modelo	Execute os dados por meio do algoritmo.	Treinar Modelo de Clustering Treinar Modelo Treinar Modelo do PyTorch Ajustar os Hiperparâmetros de Modelo
Pontuação e Avaliação do Modelo	Medir a precisão do modelo treinado.	Aplicar Transformação Atribuir Dados a Clusters Modelo de Validação Cruzada Avaliar Modelo Pontuar Modelo de Imagem Pontuar Modelo
Linguagem Python	Grave o código e incorpore-o em um componente para integrar o Python ao seu pipeline.	Criar Modelo Python Executar Script do Python
Linguagem R	Grave o código e incorpore-o em um componente para integrar o R ao seu pipeline.	Executar Script R
Análise de texto	Disponibilize ferramentas computacionais especializadas para trabalhar com texto estruturado e não estruturado.	Converter Palavra em Vetor Extrair Recursos N-Gram do Texto Hash de Recursos Pré-processar Texto Alocação de Dirichlet Latente Pontuar o modelo Vowpal Wabbit Treinar o modelo Vowpal Wabbit
Pesquisa Visual Computacional	Componentes relacionados ao pré-processamento de dados de imagem e ao reconhecimento de imagem.	Aplicar Transformação de Imagem Converter em Diretório de Imagem Transformação da Imagem de Inicialização Dividir Diretório de Imagens DenseNet ResNet
Recomendação	Criar modelos de recomendação.	Avaliar o Sistema de Recomendação Pontuar o Sistema de Recomendação SVD Pontuar o sistema de recomendação grande e profundo Treinar o Sistema de Recomendação SVD Treinar o sistema de recomendação grande e profundo
Detecção de anomalias	Modelos de detecção de anomalias treinados.	Detecção de Anomalias Baseada em PCA Treinar um Modelo de Detecção de Anomalias

Serviço Web

Saiba mais sobre os componentes de serviço Web, que são necessários para a inferência em tempo real no designer do Azure Machine Learning.

Mensagens de erro

Saiba mais sobre as mensagens de erro e os códigos de exceção que podem ser encontrados usando os componentes do designer do Azure Machine Learning.

Ambiente de componentes

Todos os componentes internos no designer serão executados em um ambiente fixo fornecido pela Microsoft.

Anteriormente, esse ambiente era baseado no Python 3.6 e agora foi atualizado para o Python 3.8. Essa atualização é transparente, pois os componentes serão executados automaticamente no ambiente do Python 3.8 e nenhuma ação do usuário é necessária. A atualização do ambiente pode afetar as saídas de componentes e a implantação de ponto de extremidade em tempo real de uma inferência, confira as seções a seguir para saber mais.

As saídas de componentes são diferentes dos resultados anteriores

Depois que a versão do Python for atualizada de 3.6 para 3.8, as dependências de componentes internos poderão ser atualizadas de forma correspondente. Portanto, você pode descobrir que algumas saídas de componentes são diferentes dos resultados anteriores.

Se estiver usando o componente Executar Script do Python e já tiver instalado pacotes vinculados ao Python 3.6, você poderá obter erros como:

• "Não foi possível encontrar uma versão que atenda ao requisito".
• "Nenhuma distribuição correspondente foi encontrada." Em seguida, você precisará especificar a versão do pacote adaptada ao Python 3.8 e executar o pipeline novamente.

Implantar ponto de extremidade em tempo real do problema do pipeline de inferência em tempo real

Se você implantar o ponto de extremidade em tempo real diretamente de um pipeline de inferência em tempo real concluído anteriormente, ele poderá obter erros.

Recomendação: clone o pipeline de inferência, envie novamente e, em seguida, implante no ponto de extremidade em tempo real.

Próximas etapas

• Tutorial: Criar um modelo no designer para prever preços automáticos