Träna klustringsmodellen
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.
Träna en klustringsmodell och tilldelar data från träningsuppsättningen till kluster
Kategori: Machine Learning/träna
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Modulöversikt
I den här artikeln beskrivs hur du använder modulen Träna klustringsmodell i Machine Learning Studio (klassisk) för att träna en klustringsmodell.
Modulen använder en ej tränad klustringsmodell som du redan har konfigurerat med hjälp av K-Means-klustringsmodulen och tränar modellen med hjälp av en etiketterad eller omärkt datauppsättning. Modulen skapar både en tränad modell som du kan använda för förutsägelse och en uppsättning klustertilldelningar för varje fall i träningsdata.
Anteckning
En klustringsmodell kan inte tränas med hjälp av modulen Träna modell, som är den allmänna modulen för att skapa maskininlärningsmodeller. Det beror på att Träna modell endast fungerar med algoritmer för övervakad inlärning. K-means och andra klustringsalgoritmer tillåter oövervakad inlärning, vilket innebär att algoritmen kan lära sig från omärkta data.
Så här använder du Träna klustringsmodell
Lägg till modulen Train Clustering Model (Träna klustringsmodell) i experimentet i Studio (klassisk). Du hittar modulen under Machine Learning Moduler i kategorin Träna.
Lägg till K-Means-klustringsmodulen eller en annan anpassad modul som skapar en kompatibel klustringsmodell och ange parametrarna för klustringsmodellen.
Koppla en träningsdatamängd till höger indata för Train Clustering Model (Träna klustringsmodell).
I Kolumnuppsättning väljer du de kolumner från datauppsättningen som ska användas för att skapa kluster. Se till att markera kolumner som utgör bra funktioner: undvik till exempel att använda ID:er eller andra kolumner som har unika värden eller kolumner som har samma värden.
Om en etikett är tillgänglig kan du antingen använda den som en funktion eller lämna den utanför.
Välj alternativet Sök efter Lägg till eller Avmarkera endast för Resultat om du vill mata ut träningsdata tillsammans med den nya klusteretiketten.
Om du avmarkerar det här alternativet är endast klustertilldelningarna utdata.
Kör experimentet eller klicka på modulen Train Clustering Model (Träna klustringsmodell ) och välj Kör valda.
Resultat
När träningen har slutförts:
Om du vill visa klustret och deras separation i en graf högerklickar du på resultatdatauppsättningens utdata och väljer Visualisera.
Diagrammet representerar klustrets huvudkomponenter i stället för de faktiska värdena. Mer information finns i Analys av huvudkomponent.
Om du vill visa värdena i datauppsättningen lägger du till en instans av modulen Convert to Dataset (Konvertera till datamängd) och ansluter den till resultatdatauppsättningens utdata. Kör modulen Konvertera till datauppsättning för att få en kopia av de data som du kan visa eller ladda ned.
Om du vill spara den tränade modellen för senare användning högerklickar du på modulen, väljer Tränad modell och klickar på Spara som tränad modell.
Om du vill generera poäng från modellen använder du Tilldela data till kluster.
Exempel
Ett exempel på hur klustring används i maskininlärning finns i Azure AI Gallery:
Klustring: Hitta liknande företag: Visar hur du använder klustring för attribut som härletts från ostrukturerad text.
Klustring: Färgkvantisering: Visar hur du använder klustring för att hitta relaterade färger och minska antalet bitar som används i bilder.
Klustring: Gruppera irisdata: Innehåller ett enkelt exempel på klustring baserat på Iris-datauppsättningen.
Förväntade indata
| Namn | Typ | Description |
|---|---|---|
| Ej tränad modell | ICluster-gränssnitt | Ej tränad klustringsmodell |
| Datamängd | Datatabell | Indatakälla |
Modulparametrar
| Name | Intervall | Typ | Standardvärde | Description |
|---|---|---|---|---|
| Kolumnuppsättning | valfri | ColumnSelection | Mönster för kolumnval | |
| Sök efter Lägg till eller Avmarkera endast resultat | valfri | Boolesk | true | Om utdatauppsättningen måste innehålla indatauppsättningen som läggs till av tilldelningskolumnen (markerad) eller endast tilldelningar (Avmarkerad) |
Utdata
| Namn | Typ | Description |
|---|---|---|
| Tränad modell | ICluster-gränssnitt | Tränad klustringsmodell |
| Resultatdatauppsättning | Datatabell | Indatauppsättning som läggs till av datakolumnen i endast tilldelningar eller tilldelningar |
Undantag
| Undantag | Description |
|---|---|
| Fel 0003 | Undantag inträffar om en eller flera indata är null eller tomma. |
En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.
En lista över API-undantag finns i Machine Learning REST API felkoder.
Se även
A-Z-modullista
Träna
Tilldela data till kluster
K-means-klustring