Compartilhar via

Machine Learning – Inicializar modelo

  • Artigo

Importante

O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).

A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Este artigo descreve os módulos no Machine Learning Studio (clássico) que você pode usar para definir um modelo de machine learning e definir seus parâmetros.

Observação

Aplica-se a: Machine Learning Studio (clássico) somente

Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.

Você pode pensar no modelo não treinado como uma especificação que pode ser aplicada a diferentes conjuntos de dados de entrada. Você pode aplicar a mesma especificação de modelo a dados diferentes e obter resultados diferentes. Ou você pode usar a especificação para treinar um modelo de novo. Em seguida, você pode adicionar novos dados.

Este artigo também descreve o processo geral de criação, treinamento, avaliação e pontuação de um modelo no Machine Learning Studio (clássico).

Criar e usar modelos de machine learning no Machine Learning Studio (clássico)

O fluxo de trabalho típico para aprendizado de máquina inclui estas fases:

  • Escolha um algoritmo adequado e de conjunto de opções iniciais.
  • Treine o modelo usando dados compatíveis.
  • Crie previsões usando novos dados com base nos padrões no modelo.
  • Avalie o modelo para determinar se as previsões são precisas, a quantidade de erro e se ocorre um sobreajuste.

Machine Learning Studio (clássico) dá suporte a uma estrutura flexível e personalizável para aprendizado de máquina. Cada tarefa nesse processo é executada por um tipo específico de módulo. Os módulos podem ser modificados, adicionados ou removidos sem quebrar o restante do experimento.

Use os módulos nesta categoria para selecionar um algoritmo inicial. Em seguida, configure parâmetros detalhados com base no tipo de modelo específico. Em seguida, você pode aplicar essa especificação de modelo a um conjunto de dados.

Sobre como criar modelos

Machine Learning fornece muitos algoritmos de aprendizado de máquina de última geração para ajudá-lo a criar modelos analíticos. Cada algoritmo é empacotado em seu próprio módulo. Para criar um modelo personalizado:

  1. Escolha um modelo por categoria.

    Os algoritmos são agrupados por tipos específicos de tarefas preditivas. Exemplos incluem regressão, classificação e reconhecimento de imagem. Sua primeira tarefa é identificar a categoria geral da tarefa de aprendizado de máquina a ser executar e, em seguida, selecionar um algoritmo.

  2. Configurar parâmetros de algoritmo.

    Use o painel Propriedades em cada módulo para definir parâmetros. Os parâmetros controlam como o modelo aprende com os dados.

  3. Treine o modelo em dados.

    Depois de configurar o modelo, conecte um conjunto de dados. Em seguida, use um dos módulos de treinamento para executar dados por meio dos algoritmos que você deseja usar.

    Você pode usar Ajustar Hiperparérmetros de Modelo para iterar em todos os parâmetros possíveis e determinar a configuração ideal para sua tarefa e dados.

  4. Prever, pontuar ou avaliar.

    Depois de criar e treinar um modelo, normalmente, a próxima etapa é usar um dos módulos de pontuação para gerar previsões com base no modelo.

    Você pode usar os módulos para avaliação de modelo para medir a precisão do modelo com base nas pontuações que você gera.

Lista de módulos

Os módulos nessa categoria são organizados pelo tipo de algoritmo de aprendizado de máquina encapsulado pelos módulos. Cada tipo de algoritmo normalmente requer um tipo diferente de dados.

Além das categorias tradicionais de algoritmo de aprendizado de máquina descritas aqui, os módulos a seguir fornecem tipos especializados de aprendizado com base em dados ou pré-processamento:

Confira também