Regressão Ordinal
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Cria um modelo de regressão ordinal
Categoria: Machine Learning / Modelo inicializo / Regressão
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Visão geral do módulo
Este artigo descreve como usar o módulo de Regressão Ordinal em Machine Learning Studio (clássico), para criar um modelo de regressão que pode ser usado para prever valores classificados.
Alguns exemplos de valores classificados:
- Respostas de inquérito que captam as marcas preferidas do utilizador numa escala de 1 a 5
- A ordem dos finalistas numa corrida
- URLs em resultados de pesquisa classificados
Mais sobre a regressão ordinal
A regressão ordinal é usada quando a etiqueta ou coluna-alvo contém números, mas os números representam um ranking ou ordem em vez de uma medição numérica.
Prever números ordinais requer um algoritmo diferente de prever os valores dos números numa escala contínua, porque os números atribuídos para representar a ordem de classificação não têm escala intrínseca.
Por exemplo, para prever as notas dos testes dos alunos, usaria um modelo padrão de regressão, porque as notas dos alunos variam numa escala contínua e podem ser medidas. No entanto, para prever o seu ranking de classe, deve utilizar um modelo de regressão ordinal.
Para obter mais informações sobre a pesquisa por trás deste algoritmo, consulte este artigo (PDF transferível): https://papers.nips.cc/paper/3125-ordinal-regression-by-extended-binary-classification.pdf
Como configurar a Regressão Ordinal
Este módulo resolve um problema de classificação como uma série de problemas de classificação relacionados. Portanto, o algoritmo cria uma série de exemplos de treino alargado usando um modelo binário para cada posto, e treina contra esse conjunto estendido. Esta operação pode ser computacionalmente cara.
Adicione o módulo Modelo de Regressão Ordinal à sua experiência no Studio (clássico). Pode encontrar este módulo em Machine Learning - Inicializar, na categoria Regressão.
Adicione um módulo que suporta a classificação binária e configuure o modelo. Existem vários módulos de duas classes na categoria de classificação .
Ligação o modelo de classificação binária como entrada para o módulo Modelo de Regressão Ordinal.
Não são necessários parâmetros adicionais no Modelo de Regressão Ordinal; o algoritmo foi pré-configurado com os parâmetros mais eficazes para resolver um problema de classificação.
Ligação um conjunto de dados de formação e o módulo Modelo de Comboio.
No módulo Modelo de Comboio , selecione a coluna que contém os valores de classificação.
Os valores de classificação devem ser valores numéricos, mas não precisam de ser inteiros ou números positivos, desde que representem uma sequência.
Para efeitos de processamento, presume-se que as fileiras têm a ordem 1 a K, onde 1 é a classificação mais baixa, e K é a classificação mais alta. No entanto, o módulo Train Model pode funcionar mesmo que a semântica da sua escala seja invertida.
Por exemplo, se na sua pesquisa original, 1 foi a pontuação mais alta e 5 é a mais baixa, não afeta o processamento do modelo.
Execute a experimentação.
Resultados
Após o treino estar completo:
Para fazer previsões, ligue o modelo treinado, juntamente com novos dados, ao módulo 'Modelo de Pontuação '.
Para efetuar a validação cruzada contra um conjunto de dados rotulado, ligue o modelo não treinado ao Modelo De Validação Cruzada.
Exemplos
Por exemplo, como a regressão ordinal é usada na aprendizagem automática, consulte a Galeria Azure AI.
- Manutenção Preditiva - Passo C: Nesta amostra, a Regressão Ordinal é utilizada para classificar valores de produção por um modelo de classificação, assumindo que o valor reflete a gravidade da classificação de falha.
Notas técnicas
O algoritmo de regressão ordinal utilizado neste aluno é implementado por uma classificação binária alargada, conforme descrito pelo artigo intitulado Regression Ordinal por Classificação Binária Estendida, por Ling Li e Hsuan-Tien Lin, em NIPS 2006.
Restrições aos dados de entrada
Pode utilizar qualquer coluna numérica como alvo de um modelo de regressão ordinal, mas na prática deve utilizar apenas dados que representem algum tipo de ordem ou classificação.
Presume-se que os intervalos entre as fileiras são desconhecidos e o tamanho do intervalo não interessa ao modelo; no entanto, o modelo assume que a sequência de fileiras segue a ordem natural dos números.
O modelo em si não atribui qualquer significado a uma determinada escala. Por outras palavras, pode criar um modelo em que 1 é um bom rank e 10 é o pior, e em outro modelo assume que 10 é a classificação desejada e 1 é o pior.
Algoritmo de classificação
O conjunto de treino (X,Y) consiste em vetores de entrada x e rótulos y. As etiquetas representam classificações que variam de 1 a k em sequência: 1,2, ... K. Presume-se que as fileiras são ordenadas de tal forma que 1 é a mais baixa ou a pior classificação, e K é o melhor ou o mais alto escalão.
O cerne do algoritmo consiste em modificar as características de entrada dadas X e etiquetas Y para usar exemplos estendidos e, em seguida, usar um classificador binário para resolver o problema de regressão ordinal. O classificador binário é treinado para dar uma resposta sim/não à pergunta: "A classificação é maior que r?"
Por exemplo, para cada caso no conjunto de treino existem exemplos alargados de K-1 , e a classificação máxima observada é K. As características estendidas são formadas através da anexação da ith row de uma matriz de identidade K-1 x K-1 às características de entrada para todos os i. As etiquetas são dadas +1 para as primeiras linhas r-1 se a sua classificação for r e -1 para as restantes.
Cálculos de amostras
Para ilustrar como funciona, que x1 seja a característica de treino cujo posto é 3, onde a classificação máxima observada é 5. Os exemplos alargados correspondentes a esta característica são os seguintes:
| Caso | Teste | Etiqueta resultante |
|---|---|---|
| X11000 | A classificação é maior que 1? | Sim, o que é isto? portanto, +1 |
| X10100 | A classificação é maior que 2? | Sim, o que é isto? portanto, +1 |
| X10010 | A classificação é superior a 3? | Não, não, não, não. portanto, nenhuma característica adicional |
| X10001 | A classificação é superior a 4? | Não, não, não, não. portanto, nenhuma característica adicional |
Entradas esperadas
| Nome | Tipo | Description |
|---|---|---|
| Modelo de classificação binária não treinado | Interface ILearner | Um modelo de classificação binária destreinada |
Saídas
| Nome | Tipo | Description |
|---|---|---|
| Modelo destreinado | Interface ILearner | Um modelo de regressão ordinal destreinado |