Fuskblad för Maskininlärningsalgoritm för Azure Machine Learning-designern
Med hjälp av fuskbladet för Azure Machine Learning-algoritmen kan du välja rätt algoritm från designern för en förutsägelseanalysmodell.
Anteckning
Designer stöder två typer av komponenter, klassiska fördefinierade komponenter (v1) och anpassade komponenter (v2). Dessa två typer av komponenter är INTE kompatibla.
Klassiska fördefinierade komponenter tillhandahåller fördefinierade komponenter främst för databearbetning och traditionella maskininlärningsuppgifter som regression och klassificering. Den här typen av komponent stöds fortfarande, men inga nya komponenter läggs till.
Med anpassade komponenter kan du omsluta din egen kod som en komponent. Den stöder delning av komponenter mellan arbetsytor och sömlös redigering i Gränssnitten Studio, CLI v2 och SDK v2.
För nya projekt rekommenderar vi starkt att du använder en anpassad komponent, som är kompatibel med AzureML V2 och fortsätter att ta emot nya uppdateringar.
Den här artikeln gäller för klassiska fördefinierade komponenter som inte är kompatibla med CLI v2 och SDK v2.
Azure Machine Learning har ett stort bibliotek med algoritmer från familjer för klassificering, rekommenderade system, klustring, avvikelseidentifiering, regression och textanalys . Var och en är utformad för att hantera olika typer av maskininlärningsproblem.
Mer information finns i Så här väljer du algoritmer.
Ladda ned: Fuskblad för Maskininlärningsalgoritm
Ladda ned fuskbladet här: Machine Learning Algorithm Cheat Sheet (11x17 in.)
Ladda ned och skriv ut machine learning-algoritmens fuskblad i tabloidstorlek för att hålla det praktiskt och få hjälp med att välja en algoritm.
Så här använder du maskininlärningsalgoritmens fuskblad
De förslag som erbjuds i den här algoritmens fuskblad är ungefärliga tumregler. Vissa kan böjas, och vissa kan kränkas på ett flagrant sätt. Det här fuskbladet är avsett att föreslå en startpunkt. Var inte rädd för att köra en head-to-head-tävling mellan flera algoritmer på dina data. Det finns helt enkelt inget substitut för att förstå principerna för varje algoritm och det system som genererade dina data.
Varje maskininlärningsalgoritm har sin egen stil eller induktiv bias. För ett specifikt problem kan flera algoritmer vara lämpliga och en algoritm kan passa bättre än andra. Men det är inte alltid möjligt att veta i förväg, vilket är den bästa passformen. I sådana här fall visas flera algoritmer tillsammans i fuskbladet. En lämplig strategi är att prova en algoritm, och om resultaten ännu inte är tillfredsställande kan du prova de andra.
Om du vill veta mer om algoritmerna i Azure Machine Learning-designern går du till referensen Algoritm och komponent.
Typer av maskininlärning
Det finns tre huvudkategorier för maskininlärning: övervakad inlärning, oövervakad inlärning och förstärkningsinlärning.
Övervakad inlärning
I övervakad inlärning märks eller associeras varje datapunkt med en kategori eller ett värde av intresse. Ett exempel på en kategorisk etikett är att tilldela en bild som antingen en "katt" eller en "hund". Ett exempel på en värdeetikett är försäljningspriset som är associerat med en begagnad bil. Målet med övervakad inlärning är att studera många märkta exempel som dessa och sedan kunna göra förutsägelser om framtida datapunkter. Du kan till exempel identifiera nya foton med rätt djur eller tilldela korrekta försäljningspriser till andra begagnade bilar. Detta är en populär och användbar typ av maskininlärning.
Oövervakad inlärning
I oövervakad inlärning har datapunkter inga associerade etiketter. I stället är målet med en oövervakad inlärningsalgoritm att organisera data på något sätt eller beskriva dess struktur. Oövervakad inlärning grupperar data i kluster, som K-means gör, eller hittar olika sätt att titta på komplexa data så att det verkar enklare.
Kunskapsförmedling
I förstärkningsinlärning får algoritmen välja en åtgärd som svar på varje datapunkt. Det är en vanlig metod inom robotteknik, där uppsättningen sensoravläsningar vid ett tillfälle är en datapunkt, och algoritmen måste välja robotens nästa åtgärd. Det passar också bra för Sakernas Internet-program. Inlärningsalgoritmen får också en belöningssignal en kort stund senare, som anger hur bra beslutet var. Baserat på denna signal ändrar algoritmen sin strategi för att uppnå högsta möjliga belöning.