Классификация AutoML

В этой статье описывается компонент в конструкторе Машинного обучения Azure.

Используйте этот компонент для создания модели машинного обучения, основанной на классификации AutoML.

Порядок настройки

Этот компонент создает модель классификации для табличных данных.

Для этой модели требуется обучающий набор данных. Проверка и проверка наборов данных являются необязательными.

AutoML создает ряд конвейеров параллельно, которые пытаются использовать различные алгоритмы и параметры модели. Служба выполняет итерацию по алгоритмам машинного обучения, связанным с выбором признаков, где каждая итерация создает модель с оценкой обучения. Вы можете выбрать метрику, для которой требуется оптимизировать модель. Чем лучше оценка выбранной метрики, тем лучше модель считается "подходящей" для ваших данных. Вы можете определить критерии выхода для эксперимента. Критерии выхода будут моделью с определенной оценкой обучения, которую требуется найти AutoML. Он остановится после того, как он попадает в критерии выхода, определенные. Затем этот компонент выводит лучшую модель, созданную в конце выполнения для набора данных.

1. Добавьте компонент классификации AutoML в конвейер.

2. Укажите целевой столбец , который требуется выводить модель

3. Для классификации можно также включить глубокое обучение.

Если глубокое обучение включено, то проверка ограничена разделением train_validation.

4. Необязательно. Просмотрите дополнительные параметры конфигурации, которые можно использовать для лучшего управления заданием обучения. В противном случае применяются значения по умолчанию, основанные на выборе эксперимента и данных.

   Дополнительные конфигурации	Description
   Основная метрика	Основная метрика, используемая для оценки модели. Узнайте больше о метриках модели.
   Отладка модели с помощью панели мониторинга ответственного искусственного интеллекта	Создайте панель мониторинга ответственного искусственного интеллекта для комплексной оценки и отладки рекомендуемой рекомендуемой модели. Сюда входят аналитические сведения, такие как объяснения модели, справедливость и обозреватель производительности, обозреватель данных и анализ ошибок модели. Узнайте больше о том, как создать панель мониторинга ответственного искусственного интеллекта.
   Запрещенные алгоритмы	Выберите алгоритмы, которые вы хотите исключить из задания обучения. Разрешение алгоритмов доступно только для экспериментов с пакетом SDK. См. поддерживаемые алгоритмы для каждого типа задачи.
   Критерий выхода	Если выполняется любое из этих условий, задание обучения останавливается. Время задания обучения (часы): сколько времени позволить заданию обучения выполняться. Metric score threshold (Порог оценки метрики). Минимальный показатель метрики для всех конвейеров. Гарантирует, что при наличии определенной целевой метрики вы не потратите на задание обучения больше времени, чем это нужно.
   Параллелизм	Максимальное число одновременных итераций: максимальное количество конвейеров (итерации) для тестирования в задании обучения. Число итераций при выполнении задания не будет больше указанного числа. Дополнительные сведения о том, как автоматизированное машинное обучение выполняет несколько дочерних заданий в кластерах.

5. Форма Проверка и тестирование [необязательно] позволяет выполнять перечисленные ниже действия.

   1. Укажите тип проверки для использования в задании обучения.

   2. Предоставьте тестовый набор данных (предварительная версия) для оценки рекомендуемой модели, которую автоматизированное машинное обучение сформирует для вас по окончании эксперимента. Если вы предоставите тестовые данные, по окончании эксперимента будет автоматически активировано тестовое задание. Тестовое задание выполняется только в наилучшей модели, рекомендованной автоматическим машинным обучением.

      Внимание

      Предоставление тестового набора данных для оценки созданных моделей доступно как предварительная версия функции. Этот возможность является предварительной версией экспериментальной функции и может быть изменена в любое время.

      • Тестовые данные рассматриваются отдельно от обучения и проверки, чтобы не искажать результаты выполнения тестового задания рекомендуемой модели. Дополнительные сведения о смещении при проверке модели.
      • Вы можете предоставить собственный тестовый набор данных или использовать часть учебного набора данных. Тестовые данные должны быть представлены в виде табличного набора данных Машинного обучения Azure.
      • Схема тестового набора данных должна соответствовать тестовому набору данных. Целевой столбец необязателен, но если целевой столбец не указан, тестовые метрики не вычисляются.
      • Тестовый набор данных должен отличаться от учебного или проверочного набора данных.

Следующие шаги

Ознакомьтесь с набором доступных компонентов для машинного обучения Azure.