Preparar Modelo

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.

Treina um modelo de classificação ou regressão de forma supervisionada

Categoria: Machine Learning / Comboio

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 Train Model em Machine Learning Studio (clássico) para treinar um modelo de classificação ou regressão. A formação ocorre depois de definir um modelo e definir os seus parâmetros, e requer dados marcados. Também pode utilizar o Train Model para retreinar um modelo existente com novos dados.

Como funciona o processo de formação

Em Machine Learning, criar e usar um modelo de aprendizagem automática é tipicamente um processo de três etapas.

1. Configura um modelo, escolhendo um tipo particular de algoritmo, e definindo os seus parâmetros ou hiperparímetros. Escolha qualquer um dos seguintes modelos:

   • Modelos de classificação, baseados em redes neurais, árvores de decisão e florestas de decisão, e outros algoritmos.
   • Modelos de regressão, que podem incluir regressão linear padrão, ou que usam outros algoritmos, incluindo redes neurais e regressão baysiana.

2. Forneça um conjunto de dados que seja rotulado e tenha dados compatíveis com o algoritmo. Ligação tanto os dados como o modelo para o Modelo de Treino.

   O que o treino produz é um formato binário específico, o iLearner, que encapsula os padrões estatísticos aprendidos com os dados. Não é possível modificar ou ler diretamente este formato; no entanto, outros módulos em Studio (clássico) podem usar este modelo treinado.

   Também pode ver as propriedades do modelo. Para mais informações, consulte a secção Resultados .

3. Após o treino concluído, utilize o modelo treinado com um dos módulos de pontuação, para fazer previsões sobre novos dados.

Nota

Outras tarefas especializadas de aprendizagem automática requerem diferentes métodos de treino, e o Studio (clássico) fornece módulos de treino separados para eles. Por exemplo, a deteção de imagem, o agrupamento e a desincção de anomalias utilizam métodos de treino personalizados. O Modelo de Comboio destina-se apenas a modelos de regressão e classificação.

Formação supervisionada e sem supervisão

Deve ter ouvido os termos supervisionados ou aprendizagem sem supervisão. Treinar um modelo de classificação ou regressão com o Train Model é um exemplo clássico de aprendizagem automática supervisionada. Isto significa que deve fornecer um conjunto de dados que contenha dados históricos para aprender padrões. Os dados devem conter tanto o resultado (rótulo) que está a tentar prever, como os fatores relacionados (variáveis). O modelo de aprendizagem automática precisa dos resultados para determinar as características que melhor preveem os resultados.

Durante o processo de treino, os dados são classificados por resultados e o algoritmo extrai padrões estatísticos para construir o modelo.

A aprendizagem não supervisionada indica que o resultado é desconhecido, ou opta por não usar rótulos conhecidos. Por exemplo, os algoritmos de agrupamento geralmente empregam métodos de aprendizagem não supervisionados, mas podem usar rótulos se disponíveis. Outro exemplo é a modelação de tópicos utilizando a LDA. Não pode usar o Modelo de Comboio com estes algoritmos.

Dica

Novo em aprendizagem automática? Este tutorial acompanha-o através do processo de obtenção de dados, configuração de um algoritmo, treino e, em seguida, usando um modelo: Crie a sua primeira experiência de aprendizagem automática

Como usar o Modelo de Comboio

1. Em Machine Learning Studio (clássico), configurar um modelo de classificação ou modelos de regressão.

   Também pode treinar um modelo personalizado criado através do Create R Model.

2. Adicione o módulo Modelo de Comboio à experiência. Pode encontrar este módulo na categoria Machine Learning. Expanda o Comboio e, em seguida, arraste o módulo Train Model para a sua experiência.

3. Na entrada esquerda, fixe o modo destreinado. Ligue o conjunto de dados de treino à entrada direita do Modelo de Comboio.

   O conjunto de dados de treino deve conter uma coluna de etiqueta. Quaisquer filas sem etiquetas são ignoradas.

4. Para a coluna Label, clique no seletor de colunas de lançamento e escolha uma única coluna que contenha resultados que o modelo possa utilizar para o treino.

   • Para problemas de classificação, a coluna de etiqueta deve conter valores categóricos ou valores discretos . Alguns exemplos podem ser uma classificação sim/não, um código de classificação da doença ou nome, ou um grupo de rendimentos. Se escolher uma coluna não-categórica, o módulo retornará um erro durante o treino.

   • Para problemas de regressão, a coluna do rótulo deve conter dados numéricos que representem a variável de resposta. Idealmente, os dados numéricos representam uma escala contínua.

   Exemplos podem ser uma pontuação de risco de crédito, o tempo projetado para falhar para um disco rígido, ou o número previsto de chamadas para um call center em um determinado dia ou hora. Se não escolher uma coluna numérica, poderá ter um erro.

   • Se não especificar qual coluna de etiqueta utilizar, Machine Learning tentará inferir qual é a coluna de etiqueta apropriada, utilizando os metadados do conjunto de dados. Se escolher a coluna errada, utilize o seletor de colunas para corrigi-la.

   Dica

   Se tiver problemas em utilizar o Seletor de Colunas, consulte o artigo Selecione colunas no conjunto de dados para obter dicas. Descreve alguns cenários e dicas comuns para a utilização das opções COM REGRAS e POR NOME .

5. Execute a experimentação. Se tiver muitos dados, isto pode demorar um pouco.

Resultados

Depois de o modelo ser treinado:

• Para visualizar os parâmetros do modelo e os pesos de recurso, clique com o botão direito na saída e selecione Visualize.

• Para utilizar o modelo noutras experiências, clique com o botão direito no modelo e selecione Save Model. Digite um nome para o modelo.

  Isto guarda o modelo como um instantâneo que não é atualizado por repetições da experiência.

• Para utilizar o modelo na previsão de novos valores, conecte-o ao módulo 'Modelo de Pontuação' , juntamente com novos dados de entrada.

Tarefas relacionadas

Se precisa de treinar um modelo não suportado pelo Modelo de Comboio, existem várias opções:

• Crie um método de pontuação personalizado utilizando o script R ou use um dos muitos pacotes de pontuação R disponíveis.

  • Criar Modelo R
  • Executar Script R

• Escreva o seu próprio script Python para treinar e marcar um modelo, ou use uma biblioteca Python existente:

  • Executar Script do Python

• Modelos de deteção de anomalias

  • O Modelo de Deteção de Anomalias de Comboio suporta os módulos de deteção de anomalias em Studio (clássico).

• Modelos de recomendação

  • Se o seu modelo utilizar a recomendação Matchbox fornecida em Machine Learning, utilize o módulo Deendador Train Matchbox.

  • Se estiver a utilizar um algoritmo diferente para análise ou recomendação de cesto de mercado, use os seus métodos de treino, em script R ou python script.

• Modelos de agrupamento

  • Use o modelo de clustering do comboio para o algoritmo K-significa incluído.

  • Para outros modelos de agrupamento, utilize script R ou módulos de script Python para configurar e treinar os modelos.

Exemplos

Por exemplo, como o módulo Train Model é usado em experiências de machine learning, veja estas experiências na Galeria Azure AI:

• Previsão de Varejo: Demonstra como construir, treinar e comparar vários modelos.
• Previsão do atraso de voo: Demonstra como treinar vários modelos de classificação relacionados.

Entradas esperadas

Nome	Tipo	Description
Modelo destreinado	Interface ILearner	Aprendiz sem treino
Conjunto de dados	Tabela de Dados	Dados de preparação

Parâmetros do módulo

Nome	Intervalo	Tipo	Predefinição	Description
Coluna de etiqueta	qualquer	Seleção de Colunas		Selecione a coluna que contém a etiqueta ou coluna de resultados

Saídas

Nome	Tipo	Description
Modelo treinado	Interface ILearner	Aprendiz treinado

Exceções

Para obter uma lista de todos os erros do módulo, consulte códigos de erro do módulo.

Exceção	Description
Erro 0032	A exceção ocorre se o argumento não for um número.
Erro 0033	A exceção ocorre se o argumento for infinito.
Erro 0083	A exceção ocorre se o conjunto de dados utilizado para a formação não puder ser utilizado para o tipo de aprendiz de concreto.
Erro 0035	A exceção ocorre se não forem fornecidas funcionalidades para um determinado utilizador ou item.
Erro 0003	A exceção ocorre se uma ou mais entradas forem nulas ou vazias.
Erro 0020	A exceção ocorre se o número de colunas em alguns dos conjuntos de dados passados para o módulo for demasiado pequeno.
Erro 0021	A exceção ocorre se o número de linhas em alguns dos conjuntos de dados passados para o módulo for demasiado pequeno.
Erro 0013	A exceção ocorre se a aprovação para o aprendiz de módulo tem um tipo inválido.

Ver também

Avaliar Modelo
Lista de Módulos A-Z