Regressão Linear bayesiana
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 linear bayesiana
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 linear bayesiana no Machine Learning Studio (clássico), para definir um modelo de regressão baseado em estatísticas bayesianas.
Depois de definir os parâmetros do modelo, deve treinar o modelo utilizando um conjunto de dados marcado e o módulo Modelo de Comboio . O modelo treinado pode então ser usado para fazer previsões. Em alternativa, o modelo não treinado pode ser passado para o Modelo De Validação Cruzada para validação cruzada contra um conjunto de dados rotulado.
Mais sobre a regressão de Bayesian
Nas estatísticas, a abordagem bayesiana à regressão é muitas vezes contrastada com a abordagem frequentista .
A abordagem bayesiana utiliza regressão linear complementada por informações adicionais sob a forma de uma distribuição prévia de probabilidades. Informações prévias sobre os parâmetros são combinadas com uma função de probabilidade para gerar estimativas para os parâmetros.
Em contrapartida, a abordagem frequentista, representada pela regressão linear padrão menos quadrada, pressupõe que os dados contêm medições suficientes para criar um modelo significativo.
Para obter mais informações sobre a pesquisa por trás deste algoritmo, consulte os links na secção Notas Técnicas .
Como configurar a regressão bayesiana
Adicione o módulo de regressão linear bayesiano à sua experiência. Pode encontrar este módulo sob Machine Learning, Initialize, na categoria Regressão.
Peso de regularização: Digite um valor a utilizar para regularização. A regularização é utilizada para evitar a sobremontagem. Este peso corresponde a L2. Para mais informações, consulte a secção Notas Técnicas .
Permitir níveis categóricos desconhecidos: Selecione esta opção para criar um agrupamento para valores desconhecidos. O modelo só pode aceitar os valores contidos nos dados de formação. O modelo pode ser menos preciso em valores conhecidos, mas fornecer melhores previsões para novos valores (desconhecidos).
Ligação um conjunto de dados de treino, e um dos módulos de treino. Este tipo de modelo não tem parâmetros que possam ser alterados numa varredura de parâmetros, por isso, embora possa treinar o modelo utilizando hiperparímetros tune model, não pode otimizar automaticamente o modelo.
Selecione a única coluna numérica que pretende modelar ou prever.
Execute a experimentação.
Resultados
Após o treino estar completo:
- Para ver um resumo dos parâmetros do modelo, clique com o botão direito na saída do módulo Modelo de Comboio e selecione Visualize.
- Para criar previsões, utilize o modelo treinado como entrada para o Score Model.
Exemplos
Por exemplo, modelos de regressão, consulte a Galeria Azure AI.
- Compare a amostra de Modelos de Regressão: Contrasta vários tipos diferentes de modelos de regressão.
Notas técnicas
O uso do coeficiente de lambda é descrito em detalhe neste livro sobre machine learning: Padrão reconhecimento e Machine Learning, Christopher Bishop, Springer-Verlag, 2007.
Este artigo está disponível como um download PDF do site da Microsoft Research: Bayesian Regression and Classification
Parâmetros do módulo
| Nome | Intervalo | Tipo | Predefinição | Description |
|---|---|---|---|---|
| Peso de regularização | >=duplo. Epsilon | Float | 1.0 | Digite uma constante para usar na regularização. A constante representa a relação entre a precisão do peso antes da precisão do ruído. |
| Permitir níveis categóricos desconhecidos | Qualquer | Booleano | true | Se for verdade cria um nível adicional para cada coluna categórica. Quaisquer níveis no conjunto de dados de teste não disponíveis no conjunto de dados de treino são mapeados para este nível adicional. |
Saídas
| Nome | Tipo | Description |
|---|---|---|
| Modelo destreinado | Interface ILearner | Um modelo de regressão linear bayesiano destreinado |