Maskininlärningsmoduler i ML Studio-moduler (klassisk)
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.
Det typiska arbetsflödet för maskininlärning omfattar många faser:
Identifiera ett problem att lösa och ett mått för att mäta resultat.
Hitta, rensa och förbereda lämpliga data.
Identifiera de bästa funktionerna och skapa nya funktioner.
Skapa, utvärdera och justera modeller.
Använda modeller för att generera förutsägelser, rekommendationer och andra resultat.
Modulerna i det här avsnittet innehåller verktyg för de sista faserna i maskininlärning, där du tillämpar en algoritm på data för att träna en modell. I de här sista faserna genererar du även poäng och utvärderar sedan modellens noggrannhet och användbarhet.
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Lista över maskininlärningsuppgifter efter kategori
-
Välj bland en mängd olika anpassningsbara maskininlärningsalgoritmer, inklusive modeller för klustring,regression, klassificering och avvikelseidentifiering.
-
Ange dina data till den konfigurerade modellen för att lära dig av mönster och skapa statistik som kan användas för förutsägelser.
-
Skapa förutsägelser med hjälp av tränade modeller.
-
Mät noggrannheten för en tränad modell eller jämför flera modeller.
En detaljerad beskrivning av det här experimentella arbetsflödet finns i genomgången av kreditrisklösningen.
Förutsättningar
Innan du kommer till det roliga med att skapa en modell krävs vanligtvis mycket förberedelser. Det här avsnittet innehåller länkar till verktyg i Machine Learning Studio (klassisk) som kan hjälpa dig att rensa dina data, förbättra kvaliteten på indata och förhindra körningsfel.
Datagranskning och datakvalitet
Se till att dina data är rätt typ av data, rätt kvantitet och rätt kvalitet för den algoritm som du har valt. Förstå hur mycket data du har och hur de distribueras. Finns det extremvärden? Hur genererades de och vad betyder de? Finns det några dubblettposter?
Hantera saknade värden
Saknade värden kan påverka resultatet på många sätt. Till exempel tar nästan alla statistiska metoder bort fall med saknade värden. Som standard följer Machine Learning dessa regler när den påträffar rader med saknade värden:
Om data som används för att träna en modell har saknade värden hoppas alla rader med saknade värden över.
Om data som används som indata vid bedömning mot en modell saknar värden används de saknade värdena som indata, men null-värden sprids. Det innebär vanligtvis att ett null-värde infogas i resultatet i stället för en giltig förutsägelse.
Se till att kontrollera dina data innan du tränar din modell. Använd den här modulen för att imputera saknade värden eller korrigera dina data:
Välja funktioner och minska dimensionaliteten
Machine Learning Studio (klassisk) kan hjälpa dig att gå igenom dina data för att hitta de mest användbara attributen.
Använd verktyg som Fisher Linear Discriminant Analysis eller Filter based Feature Selection (Val av filterbaserad funktion) för att avgöra vilka datakolumner som har mest förutsägande kraft. Dessa verktyg kan också identifiera kolumner som ska tas bort på grund av dataläckage.
Skapa eller skapa funktioner från befintliga data. Normalisera dataeller gruppera data i lagerplatser för att skapa nya datagrupper eller standardisera intervallet med numeriska värden före analysen.
Minska dimensionaliteten genom att gruppera kategoriska värden, med hjälp av huvudkomponentanalys eller genom sampling.
Exempel
Exempel på maskininlärning i praktiken finns i Azure AI Gallery.
Tips och en genomgång av några vanliga dataförberedelseaktiviteter finns i Genomgångar som kör Team Data Science Process.