Справочник по алгоритмам и компонентам для конструктора Машинное обучение Azure
ОБЛАСТЬ ПРИМЕНЕНИЯ:
Пакет SDK для Python azure-ai-ml версии 2 (current)
Примечание.
Конструктор поддерживает два типа компонентов, классические предварительно созданные компоненты и пользовательские компоненты. Эти два типа компонентов несовместимы.
Классические предварительно созданные компоненты предоставляют предварительно созданные компоненты для обработки данных и традиционных задач машинного обучения, таких как регрессия и классификация. Этот тип компонента по-прежнему поддерживается, но новые компоненты добавляться не будут.
Пользовательские компоненты позволяют предоставлять собственный код в качестве компонента. При этом поддерживается совместное использование рабочих областей и удобная разработка в интерфейсах Studio, CLI и пакетов SDK.
Эта статья относится к классическим предварительно созданным компонентам.
Это справочное содержимое предоставляет технический фон для каждого из классических предварительно созданных компонентов, доступных в конструкторе Машинное обучение Azure.
Каждый компонент представляет собой набор кода, который может работать независимо и выполнять задачу машинного обучения с учетом требуемых входных данных. Компонент может содержать определенный алгоритм или выполнять задачу, важную для машинного обучения, например, замена отсутствующего значения или статистический анализ.
Справку по выбору алгоритмов см. в следующих статьях:
Совет
В любом конвейере в конструкторе можно получить сведения о конкретном компоненте. Щелкните ссылку Learn more (Подробнее) в карточке компонента, наведя указатель мыши на компонент в списке компонентов, или на правой панели компонента.
Компоненты подготовки данных
| Функциональность | Description | component |
|---|---|---|
| Входные и выходные данные | Перемещение данных из облачных источников в конвейер. Запишите результаты или промежуточные данные в службу хранилища Azure, или базу данных SQL во время выполнения конвейера или используйте облачное хранилище для обмена данными между конвейерами. | Ввод данных вручную Экспорт данных Импорт данных |
| Преобразование данных | Операции с данными, которые являются уникальными для машинного обучения, такие как нормализация или группирование данных, сокращение размерности и преобразование данных между разными форматами файлов. | Добавление столбцов Добавление строк Применение математической операции Применение преобразования SQL Очистка недостающих данных Обрезка значений Преобразование в CSV-файл Преобразование в набор данных Преобразование в значения индикатора Изменение метаданных Группирование данных в ячейки Объединение данных Нормализация данных Секционирование и выборка Удаление дублирующихся строк SMOTE Преобразование "Выбор столбцов" Выбор столбцов в наборе данных Split Data (Разделение данных); |
| в тексте и на изображениях | Выбор важных и полезных функций для построения аналитической модели. | Выбор признаков с помощью фильтра Значение функции перестановки |
| Статистические функции | Широкий спектр статистических методов, относящихся к обработке и анализу данных. | Сведение данных |
Алгоритмы машинного обучения
| Функциональность | Description | component |
|---|---|---|
| Регрессия | Прогнозирование значения. | Регрессия с помощью увеличивающегося дерева принятия решений Регрессия с использованием модели леса принятия решений Быстрая регрессия леса Линейная регрессия Регрессия нейронной сети Регрессия Poisson |
| Кластеризация | Группирование данных. | Кластеризация методом K-средних |
| Классификация | Прогнозирование класса. Выбор одного из двоичных (для двух классов) или мультиклассовых алгоритмов. | Мультиклассовое увеличивающееся дерево принятия решений Мультиклассовый лес принятия решений Мультиклассовая регрессионная логистическая модель Мультиклассовая нейронная сеть Один и все многоклассовые Один и один мультикласс Двухклассовое усредненное восприятие Two-Class Boosted Decision Tree (Двухклассовое увеличивающееся дерево принятия решений); Двухклассовый лес принятия решений Двухклассовая регрессионная логистическая модель Двухклассовая нейронная сеть Двухклассовый метод опорных векторов |
Компоненты для создания и оценки моделей
Веб-служба
Ознакомьтесь со сведениями о компонентах веб-служб, необходимых для вывода в реальном времени в конструкторе Машинного обучения Azure.
Сообщения об ошибках
Прочитайте о сообщениях об ошибках и кодах исключений, которые могут возникнуть при использовании компонентов в конструкторе Машинного обучения Azure.
Среда компонентов
Все встроенные компоненты в конструкторе будут выполняться в фиксированной среде, предоставляемой корпорацией Майкрософт.
Ранее эта среда была основана на Python 3.6, а теперь она обновлена до Python 3.8. Это обновление является прозрачным, так как компоненты будут автоматически выполняться в среде Python 3.8, и для этого не требуется никаких действий. Обновление среды может повлиять на выходные данные компонентов и развертывание конечной точки в режиме реального времени из вывода в режиме реального времени, см. в следующих разделах, чтобы узнать больше.
Выходные данные компонентов отличаются от предыдущих результатов
После обновления версии Python с версии 3.6 до 3.8 также могут быть обновлены зависимости встроенных компонентов. Поэтому некоторые выходные данные компонентов отличаются от предыдущих результатов.
Если вы используете компонент скрипта Python и ранее установили пакеты, привязанные к Python 3.6, могут возникнуть такие ошибки:
- "Не удалось найти версию, удовлетворяющую требованию".
- "Не найдено соответствующего распределения". Затем необходимо указать версию пакета, адаптированную к Python 3.8, и снова запустить конвейер.
Развертывание конечной точки в режиме реального времени из проблемы конвейера вывода в режиме реального времени
Если вы напрямую развертываете конечную точку реального времени из предыдущего завершенного конвейера вывода в режиме реального времени, это может привести к ошибкам.
Рекомендация. Клонируйте конвейер вывода и отправьте его еще раз, а затем развернитесь в конечную точку в режиме реального времени.