Машинное обучение обучение

  • Статья

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

в этой статье описываются модули, предоставляемые в Машинное обучение Studio (классическая модель) для обучения модели машинного обучения. Обучение — это процесс анализа входных данных с использованием параметров предопределенной модели. Из этого анализа модель узнает закономерности и сохраняет их в виде обученной модели.

Примечание

применимо к: только Машинное обучение Studio (классическая модель)

Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.

в этой статье также описывается общий процесс в Машинное обучение Studio (классическая модель) для создания, обучения, оценки и оценки модели.

Создание и использование моделей машинного обучения

Типичный рабочий процесс для машинного обучения включает следующие этапы.

  • Выбор подходящего алгоритма и Установка начальных параметров.
  • Обучение модели на совместимость данных.
  • Создание прогнозов с использованием новых данных на основе закономерностей в модели.
  • Оценка модели для определения точности прогнозов, количества ошибок и наличия чрезмерного перегонки.

Машинное обучение Studio (классическая модель) поддерживает гибкую настраиваемую платформу для машинного обучения. Каждая задача в этом процессе выполняется модулем определенного типа, который можно изменить, добавить или удалить, не нарушая остальную часть эксперимента.

Модули в этой категории поддерживают обучение для различных типов моделей. Во время обучения данные анализируются алгоритмом машинного обучения. Этот алгоритм анализирует распределение и тип данных, компилирует статистику и создает шаблоны, которые можно использовать позже для прогнозирования.

Дополнительные сведения о обучение модели

когда Машинное обучение обучена модель, строки с отсутствующими значениями пропускаются. Таким образом, если необходимо исправить значения вручную, использовать добавления отсутствующих или указать другой метод обработки отсутствующих значений, используйте модуль Clean Missing Data (очистка недостающих данных ) перед обучением набора данных.

Для устранения других проблем с данными рекомендуется использовать модуль изменение метаданных . Может потребоваться пометить столбец меток, изменить типы данных или исправить имена столбцов.

Другие распространенные задачи по очистке данных, такие как нормализация, выборка, группирования и масштабирование, см. в разделе Категория преобразования данных .

Выберите нужный преподаватель

Метод, используемый для обучения модели, зависит от типа создаваемой модели и типа данных, которые требуются для модели. например, Машинное обучение предоставляет модули специально для обучения моделей обнаружения аномалий, моделей рекомендаций и многого другого.

Проверьте список обучающих модулей , чтобы определить, какая из них подходит для вашего сценария.

Если вы не знаете наилучших параметров, которые следует использовать при обучении модели, используйте один из модулей, предоставляемых для очистки и проверки параметров:

  • Настройка параметров модели позволяет выполнить настройку на практически всех моделях классификации и регрессии. Он обучает несколько моделей, а затем возвращает лучшую модель.

  • Модуль кластеризации очистки поддерживает настройку моделей во время процесса обучения и предназначен для использования только с моделями кластеризации. Можно указать диапазон средневзвешенных и обучить данные, автоматически определяя лучшие параметры.

  • Модуль перекрестной проверки модели также полезен для оптимизации модели, но не возвращает обученную модель. Вместо этого он предоставляет метрики, которые можно использовать для определения лучшей модели.

Повторное обучение моделей

Если необходимо переучить рабочую модель, вы можете повторно запустить эксперимент в любое время.

Процесс повторного обучения также можно автоматизировать с помощью веб-служб. пошаговое руководство см. в разделе переобучение и обновление моделей Машинное обучение с помощью Фабрика данных Azure.

Использование предварительно обученных моделей

Машинное обучение включает в себя некоторые модели, которые были предварительно обучены, например предварительно обученный модуль классификации каскадных изображений . Эти модели можно использовать для оценки без дополнительных входных данных.

Кроме того, некоторые модули (например, обнаружение аномалий временных рядов) не создают обученную модель в формате iLearner. Но они выполняют обучающие данные и создают модель внутренним образом, которую затем можно использовать для создания прогнозов. Чтобы использовать их, нужно просто настроить параметры и предоставить данные.

Сохранение моментального снимка обученной модели

Если вы хотите сохранить или экспортировать модель, щелкните правой кнопкой мыши модуль обучения и выберите команду Сохранить как обученную модель. Модель экспортируется в формат iLearner и сохраняется в рабочей области в разделе обученные модели. Обученные модели можно использовать повторно в других экспериментах или при подключении к другим модулям для оценки.

Можно также использовать модуль " Загрузка обученной модели " в эксперименте для получения хранимой модели.

Список модулей

Категория « обучение » включает следующие модули:

Некоторые модули отсутствуют в этой категории, так как для них требуется специальный формат или они настроены для конкретной задачи:

См. также раздел