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 gerçekleştirilir ve etiketli veriler gerektirir. Mevcut bir modeli yeni verilerle yeniden eğitmek için Modeli Eğitme özelliğini de kullanabilirsiniz.

Eğitim süreci nasıl çalışır?

Azure Machine Learning'de makine öğrenmesi modeli oluşturmak ve kullanmak 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 verilerle ilgili tahminlerde bulunmak için puanlama bileşenlerinden biriyle eğitilen modeli kullanın.

Modeli Eğitmek nasıl kullanılır?

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

2. Sol girişe 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 bir sütun seçmezseniz hata alabilirsiniz.

   • Hangi etiket sütununu kullanacağınızı 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 senaryolar ve ipuçları açıklanmaktadır.

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

   Önemli

   Her satırın kimliği olan bir Kimlik sütununu veya çok fazla benzersiz değer içeren bir metin sütununu kullanırsanız, Modeli Eğit seçeneği "Sütundaki benzersiz değerlerin sayısı: "{column_name}" izin verilenden büyük gibi bir hatayla karşılaşabilir.

   Bunun nedeni sütunun benzersiz değerlerin eşiğine ulaşmasını ve belleğin yetersiz olmasından kaynaklanır. Bu sütunu Temizle özelliği olarak işaretlemek için Meta Verileri Düzenle'yi kullanabilirsiniz; bu özellik eğitimde kullanılmaz veya metin sütununu önceden işlemek için Metin bileşeninden N-Gram Özelliklerini Ayıkla seçeneğini kullanabilirsiniz. Diğer hata ayrıntıları için bkz. Tasarım Aracı 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 desteklemektedir. Aşağıdaki yerleşik algoritmalar desteklenir:

• Çizgisel Regresyon
• Sinir Ağı Regresyonu
• Azalan Ağaç Regresyonu Artırıldı
• Karar Ormanı Regresyonu
• Poisson Regresyonu
• Çift Sınıflı Lojistik Regresyon
• İki Sınıflı Destek Vektör Makinesi
• Two-Class 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 oluşturmanın 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 hakkındaki 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'de kullanılabilen bileşenler kümesi .