Machine Learning Studio (klassisk): Hjälp om algoritmer och moduler
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Tips
Kunder som för närvarande använder eller utvärderar Machine Learning Studio (klassisk) rekommenderas att testa Azure Machine Learning Designer, ett verktyg som erbjuder ML-moduler plus ”dra och släpp”-funktion, skalbarhet, versionskontroll och företagssäkerhet.
Machine Learning Studio (klassisk) är en molntjänst för förutsägelseanalys som gör det möjligt att snabbt skapa och distribuera förutsägelsemodeller som analyslösningar. Maskininlärningsverktygen är huvudsakligen molnbaserade tjänster, vilket eliminerar konfigurations- och installationsproblem eftersom du kan arbeta via webbläsaren på valfri Internetansluten dator. Mer information finns i artikeln "What is Studio (classic)?" (Vad är Studio (klassisk) ?".
Den här dokumentationen innehåller detaljerad teknisk information och instruktioner för de moduler som är tillgängliga i Machine Learning Studio (klassisk).
- Logga in på din Machine Learning Studio-arbetsyta (klassisk) och kom igång.
Vad är en modul?
Varje modul i Machine Learning Studio (klassisk) representerar en uppsättning kod som kan köras oberoende av varandra och utföra en maskininlärningsuppgift, med tanke på de indata som krävs. En modul kan innehålla en viss algoritm eller utföra en uppgift som är viktig inom maskininlärning, till exempel ersättning av saknade värden eller statistisk analys.
Moduler ordnas efter funktioner i Studio (klassisk):
Moduler för indata och utdata gör arbetet med att flytta data från molnkällor till experimentet. Du kan skriva dina resultat eller mellanliggande data till Azure Storage, en SQL-databas eller Hive när du kör ett experiment eller använda molnlagring för att utbyta data mellan experiment.
Datatransformeringsmoduler stöder åtgärder på data som är unika för maskininlärning, till exempel normalisering eller datalagerering, funktionsval och minskning av antalet dimensioner.
Maskininlärningsalgoritmer, till exempel klustring, stödvektormaskin eller neurala nätverk, är tillgängliga i enskilda moduler som gör att du kan anpassa maskininlärningsuppgiften med lämpliga parametrar. För klassificeringsuppgifter kan du välja mellan binära algoritmer eller algoritmer med flera klasser.
När du har konfigurerat modellen använder du en träningsmodul för att köra data genom algoritmen och mäta noggrannheten för den tränade modellen med hjälp av en av utvärderingsmodulerna. Om du vill hämta förutsägelser från modellen som du precis har tränat använder du en av bedömningsmodulerna.
Avvikelseidentifiering: Machine Learning Studio (klassisk) innehåller flera algoritmer som är specialiserade på dessa uppgifter.
Textanalysmoduler stöder olika bearbetningsuppgifter för naturligt språk.
Vowpal Wabbit-stöd gör det enkelt att använda den här skalbara plattformen.
Python - och R-språkmoduler gör det enkelt att köra en anpassad funktion. Du skriver koden och bäddar in den i en modul för att integrera Python och R med en experimenttjänst.
OpenCV-biblioteket innehåller moduler som kan användas i specifika uppgifter för bildigenkänning.
Tidsserieanalys stöder avvikelseidentifiering i tidsserier.
Statistiska moduler innehåller en mängd olika numeriska metoder som är relaterade till datavetenskap. Titta i den här gruppen efter korrelationsmetoder, datasammanfattningar samt statistiska och matematiska operationer.
I det här referensavsnittet hittar du teknisk bakgrund för maskininlärningsalgoritmerna, implementeringsinformation om tillgänglig och länkar till exempelexperiment som visar hur modulen används. Du kan ladda ned exempel i Azure AI Gallery till din arbetsyta. De här exemplen är för offentligt bruk.
Tips
Om du är inloggad på Machine Learning Studio (klassisk) och har skapat ett experiment kan du få information om en specifik modul. Välj modulen och välj sedan länken mer hjälp i fönstret Snabbhjälp .
Andra tekniska referenser
| Avsnitt | Description |
|---|---|
| Lista över datatyper | Det här avsnittet innehåller referensämnen som beskriver gränssnitten för elever och det DataTable format som används för datauppsättningar. |
| Undantagslista | I det här avsnittet visas de fel som moduler kan generera, med orsaker och möjliga lösningar. En lista över felkoder relaterade till webbtjänst-API:et finns i Machine Learning REST API felkoder. |