Справочник по компонентам & алгоритмам для конструктора Машинного обучения Azure

В этом справочном содержимом приведены технические сведения о каждом из алгоритмов и компонентов машинного обучения, доступных в конструкторе Машинного обучения 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 Описание Компонент
Ввод и вывод данных 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);
Выбор компонентов 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 Описание Компонент
Регрессия Прогнозирование значения. Регрессия с помощью увеличивающегося дерева принятия решений
Регрессия с использованием модели леса принятия решений
Быстрая квантильная регрессия леса
Линейная регрессия
Регрессия нейронной сети
Регрессия Пуассона
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
Многоклассовый классификатор "один — все"
Многоклассовый классификатор "один — один"
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

Функциональность Описание Компонент
Обучение модели Обработка данных с помощью алгоритма. Обучение модели кластеризации
Train Model (Обучение модели);
Обучение модели PyTorch
Настройка гиперпараметров модели
Анализ и оценка модели Измерение точности обученной модели. Применение преобразования
Назначение данных в кластеры
Перекрестная проверка модели
Анализ модели
Оценка моделей изображений
Оценка модели
Язык Python Внедрение кода в компонент для интеграции Python с вашим конвейером. Создание модели Python
Выполнение скриптов Python
Язык R Внедрение кода в компонент для интеграции R с вашим конвейером. Выполнение скрипта R
Анализ текста Специализированные вычислительные средства для работы со структурированным и неструктурированным текстом. Преобразование слов в векторы
Извлечение N-грамм из текста
Хэширование признаков
Предварительная обработка текста
Латентное распределение Дирихле (LDA)
Оценка модели Vowpal Wabbit
Обучение модели Vowpal Wabbit
Компьютерное зрение Компоненты, связанные с предварительной обработкой данных и распознаванием изображений. Применение преобразования изображений
Преобразование в каталог изображений
Инициализация преобразования изображений
Разделение каталога изображений
DenseNet
ResNet
Рекомендация Построение моделей рекомендаций. Оценка рекомендателя
Оценка рекомендателя SVD
Оценка Wide and Deep Recommender
Обучение рекомендателя SVD
Обучение Wide and Deep Recommender
Обнаружение аномалий Построение моделей обнаружения аномалий. Обнаружение аномалий на основе анализа первичных компонентов
Обучение модели обнаружения аномалий

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.

Дальнейшие действия