Model bileşenini eğit

Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.

Sınıflandırma veya regresyon modelini eğitmek için bu bileşeni kullanın. Eğitim, bir modeli tanımladıktan ve parametrelerini ayarladıktan sonra gerçekleşir ve etiketli veriler gerektirir. Yeni verilerle var olan bir modeli yeniden eğitmek için Modeli Eğitme özelliğini de kullanabilirsiniz.

Eğitim süreci nasıl çalışır?

Azure Machine Learning'de makine öğrenmesi modeli oluşturma ve kullanma genellikle üç adımlı bir işlemdir.

1. Belirli bir algoritma türünü seçip parametrelerini veya hiper parametrelerini tanımlayarak modeli yapılandırabilirsiniz. Aşağıdaki model türlerinden birini seçin:

   • Sinir ağlarına, karar ağaçlarına, karar ormanlarına ve diğer algoritmalara dayalı sınıflandırma modelleri.
   • Standart doğrusal regresyon içerebilen veya sinir ağları ve Bayes regresyonu gibi diğer algoritmaları kullanan regresyon modelleri.

2. Etiketli ve algoritmayla uyumlu verileri olan bir veri kümesi sağlayın. Modeli Eğitmek için hem verileri hem de modeli bağlayın.

   Eğitimin ürettiği, verilerden öğrenilen istatistiksel desenleri kapsülleyen belirli bir ikili biçim olan iLearner'dır. Bu biçimi doğrudan değiştiremez veya okuyamazsınız; ancak, diğer bileşenler bu eğitilmiş modeli kullanabilir.

   Modelin özelliklerini de görüntüleyebilirsiniz. Daha fazla bilgi için Sonuçlar bölümüne bakın.

3. Eğitim tamamlandıktan sonra, yeni veriler hakkında tahminlerde bulunmak için puanlama bileşenlerinden biriyle eğitilen modeli kullanın.

Eğitim Modeli'ni kullanma

1. Modeli Eğit bileşenini işlem hattına ekleyin. Bu bileşeni Machine Learning kategorisi altında bulabilirsiniz. Eğit'i genişletin ve Modeli Eğit bileşenini işlem hattınıza sürükleyin.

2. Sol girişte eğitimsiz modu ekleyin. Eğitim veri kümesini Modeli Eğit'in sağ girişine ekleyin.

   Eğitim veri kümesi bir etiket sütunu içermelidir. Etiket içermeyen tüm satırlar yoksayılır.

3. Etiket sütunu için, bileşenin sağ panelinde Sütunu düzenle'ye tıklayın ve modelin eğitim için kullanabileceği sonuçları içeren tek bir sütun seçin.

   • Sınıflandırma sorunları için etiket sütunu kategorik değerler veya ayrık değerler içermelidir. Bazı örnekler evet/hayır derecelendirmesi, hastalık sınıflandırma kodu veya adı ya da gelir grubu olabilir. Kategorik olmayan bir sütun seçersensiniz, bileşen eğitim sırasında bir hata döndürür.

   • Regresyon sorunları için etiket sütunu yanıt değişkenini temsil eden sayısal veriler içermelidir. İdeal olarak sayısal veriler sürekli bir ölçeği temsil eder.

   Örnek olarak kredi risk puanı, sabit sürücü için tahmini hata süresi veya belirli bir gün veya saatte çağrı merkezine yapılan tahmini çağrı sayısı verilebilir. Sayısal sütun seçmezseniz bir hata alabilirsiniz.

   • Hangi etiket sütununun kullanılacağını belirtmezseniz Azure Machine Learning, veri kümesinin meta verilerini kullanarak uygun etiket sütununu çıkarsamaya çalışır. Yanlış sütunu seçerse, düzeltmek için sütun seçiciyi kullanın.

   İpucu

   Sütun Seçici'yi kullanırken sorun yaşıyorsanız ipuçları için Veri Kümesindeki Sütunları Seçme makalesine bakın. WITH RULES ve BY NAME seçeneklerini kullanmaya yönelik bazı yaygın senaryoları ve ipuçlarını açıklar.

4. İşlem hattını gönderin. Çok fazla veriniz varsa bu işlem biraz zaman alabilir.

   Önemli

   Her satırın kimliği olan bir Kimlik sütununuza veya çok fazla benzersiz değer içeren bir metin sütununa sahipseniz, Modeli Eğitme "Sütundaki benzersiz değerlerin sayısı: "{column_name}" izin verilenden büyük gibi bir hatayla karşılaşabilir.

   Bunun nedeni sütunun benzersiz değerlerin eşiğine çarpması ve belleğin yetersiz olmasıdır. Bu sütunu Temizle özelliği olarak işaretlemek için Meta Verileri Düzenle'yi kullanabilirsiniz ve bu özellik eğitimde kullanılmaz veya Metin bileşeninden N-Gram Özelliklerini Ayıklayarak metin sütununu ön işlemeye başlayabilirsiniz. Diğer hata ayrıntıları için bkz . Tasarımcı hata kodu .

Model Yorumlanabilirliği

Model yorumlanabilirliği, ML modelini kavrama ve karar alma için temel temeli insanlar için anlaşılabilir bir şekilde sunma olanağı sağlar.

Şu anda Model Eğit bileşeni, ML modellerini açıklamak için yorumlanabilirlik paketinin kullanılmasını destekler. Aşağıdaki yerleşik algoritmalar desteklenir:

• Doğrusal Regresyon
• Sinir Ağı Regresyonu
• Artmış Decistion Tree Regresyonu
• Karar Ormanı Regresyonu
• Poisson Regresyonu
• Çift Sınıflı Lojistik Regresyon
• İki Sınıflı Destek Vektör Makinesi
• İki Sınıflı Artırılmış Decistion Ağacı
• İki Sınıflı Karar Ormanı
• Çok Sınıflı Karar Ormanı
• Çok Sınıflı Lojistik Regresyon
• Çok Sınıflı Sinir Ağı

Model açıklamaları oluşturmak için Modeli Eğitme bileşenindeki Model Açıklaması açılan listesinde Doğru'yu seçebilirsiniz. Varsayılan olarak Modeli Eğit bileşeninde False olarak ayarlanır. Açıklama oluşturma işleminin fazladan işlem maliyeti gerektirdiğini lütfen unutmayın.

İşlem hattı çalıştırması tamamlandıktan sonra Modeli Eğit bileşeninin sağ bölmesindeki Açıklamalar sekmesini ziyaret edebilir ve model performansını, veri kümesini ve özellik önemini keşfedebilirsiniz.

Azure Machine Learning'de model açıklamalarını kullanma hakkında daha fazla bilgi edinmek için ML modellerini yorumlama hakkında nasıl yapılır makalesine bakın.

Sonuçlar

Model eğitildikten sonra:

• Modeli diğer işlem hatlarında kullanmak için bileşeni seçin ve sağ paneldeki Çıkışlar sekmesinin altındaki Veri kümesini kaydet simgesini seçin. Kaydedilmiş modellere Veri Kümeleri altındaki bileşen paletinde erişebilirsiniz.

• Modeli yeni değerleri tahmin etmede kullanmak için modeli, yeni giriş verileriyle birlikte Model Puanlama bileşenine bağlayın.

Sonraki adımlar

Bkz. Azure Machine Learning için kullanılabilen bileşenler kümesi.