Klassificeringsmoduler
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.
Den här artikeln beskriver modulerna i Machine Learning Studio (klassisk) som stöder skapandet av klassificeringsmodeller. Du kan använda dessa moduler för att skapa klassificeringsmodeller för binär eller flera klasser.
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Om klassificering
Klassificering är en maskininlärningsmetod som använder data för att fastställa kategori, typ eller klass för ett objekt eller en rad med data. Du kan till exempel använda klassificering för att:
- Klassificera e-postfilter som skräppost, skräp eller bra.
- Ta reda på om en patients labbprov är cancerogent.
- Kategorisera kunder efter deras ighet att svara på en försäljningskampanj.
- Identifiera attityd som positiv eller negativ.
Klassificeringsuppgifter ordnas ofta efter om en klassificering är binär (antingen A eller B) eller multiklass (flera kategorier som kan förutsägas med hjälp av en enda modell).
Skapa en klassificeringsmodell
Om du vill skapa en klassificeringsmodell eller klassificerare väljer du först en lämplig algoritm. Tänk på följande faktorer:
- Hur många klasser eller olika resultat vill du förutsäga?
- Vad är fördelningen av data?
- Hur lång tid kan du tillåta för träning?
Machine Learning Studio (klassisk) tillhandahåller flera klassificeringsalgoritmer. När du använder algoritmen One-Vs-All kan du till och med tillämpa en binär klassificerare på ett problem med flera klasser.
När du har valt en algoritm och angett parametrarna med hjälp av modulerna i det här avsnittet tränar du modellen på märkta data. Klassificering är en övervakad maskininlärningsmetod. Det kräver alltid märkta träningsdata.
När träningen är klar kan du utvärdera och finjustera modellen. När du är nöjd med modellen kan du använda den tränade modellen för bedömning med nya data.
Lista över moduler
Kategorin Klassificering innehåller följande moduler:
- Beslutsskog med flera klasser: Skapar en klassificeringsmodell med flera klasser med hjälp av beslutsskogens algoritm.
- Beslutsalgoritm med flera klasser: Skapar en klassificeringsmodell med flera klasser med hjälp av beslutsalgoritmen.
- Logistic Regression med flera klasser: Skapar en klassificeringsmodell för logistisk regression med flera klasser.
- Neural Network med flera klasser: Skapar en klassificeringsmodell med flera klasser med hjälp av en algoritm för neuralt nätverk.
- En-mot-alla – multiklass: Skapar en klassificeringsmodell med flera klasser från en ensemble med binära klassificeringsmodeller.
- Genomsnittlig perceptron med två klasser: Skapar en genomsnittlig binär perceptronklassificeringsmodell.
- Bayes Point Machine med två klasser: Skapar en binär klassificeringsmodell för bayes-punktdatorn.
- Tvåklassig förstärkt beslutsträd: Skapar en binär klassificerare med hjälp av en förstärkt beslutsträdsalgoritm.
- Beslutsskog med två klasser: Skapar en klassificeringsmodell med två klasser med hjälp av beslutsskogens algoritm.
- Beslutsmodell med två klasser: Skapar en klassificeringsmodell med två klasser med hjälp av beslutsalgoritmen.
- Lokalt djup stödvektormaskin med två klasser: Skapar en binär klassificeringsmodell med hjälp av den lokalt djupa algoritmen för stödvektormaskin.
- Logistic Regression med två klasser: Skapar en logistisk regressionsmodell med två klasser.
- Neural Network med två klasser: Skapar en binär klassificerare med hjälp av en algoritm för neuralt nätverk.
- Stödvektormaskin med två klasser: Skapar en binär klassificeringsmodell med hjälp av algoritmen för stödvektormaskin.
Exempel
Exempel på klassificering i praktiken finns i Azure AI Gallery.
Om du behöver hjälp med att välja en algoritm kan du läsa följande artiklar:
Lathund för maskininlärningsalgoritmer för Machine Learning
Innehåller ett grafiskt beslutsdiagram som vägleder dig genom urvalsprocessen.
Välj Machine Learning för klustring, klassificering eller regression
Förklarar i detalj de olika typerna av maskininlärningsalgoritmer och hur de används.