AutoML Sınıflandırması

Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.

AutoML Sınıflandırmasını temel alan bir makine öğrenmesi modeli oluşturmak için bu bileşeni kullanın.

Yapılandırma

Bu bileşen, tablosal verilerde bir sınıflandırma modeli oluşturur.

Bu model bir eğitim veri kümesi gerektirir. Doğrulama ve test veri kümeleri isteğe bağlıdır.

AutoML, modeliniz için farklı algoritmaları ve parametreleri deneyen paralel bir dizi işlem hattı oluşturur. Hizmet, her yinelemenin eğitim puanına sahip bir model ürettiği özellik seçimleri ile eşleştirilmiş ML algoritmaları aracılığıyla yinelenir. Modelin iyileştirmesini istediğiniz ölçümü seçebilirsiniz. Seçilen ölçüm için puan ne kadar iyiyse modelin verilerinizi "sığdırmak" için de o kadar iyi olduğu kabul edilir. Deneme için bir çıkış ölçütü tanımlayabilirsiniz. Çıkış ölçütleri, AutoML'nin bulmasını istediğiniz belirli bir eğitim puanıyla modellenir. Tanımlanan çıkış ölçütlerine ulaştığında durur. Ardından bu bileşen, veri kümeniz için çalıştırmanın sonunda oluşturulan en iyi modelin çıktısını alır.

1. AutoML Sınıflandırma bileşenini işlem hattınıza ekleyin.

2. Modelin çıkışını almak istediğiniz Hedef Sütunu belirtin

3. Sınıflandırma için derin öğrenmeyi de etkinleştirebilirsiniz.

Derin öğrenme etkinleştirildiyse doğrulama, train_validation bölmeyle sınırlıdır.

4. (İsteğe bağlı) Ekleme yapılandırma ayarlarını görüntüleyin: Eğitim işini daha iyi denetlemek için kullanabileceğiniz ek ayarlar. Aksi takdirde, varsayılanlar deneme seçimine ve verilere göre uygulanır.

   Ek yapılandırmalar	Açıklama
   Birincil ölçüm	Modelinizi puanlama için kullanılan ana ölçüm. Model ölçümleri hakkında daha fazla bilgi edinin.
   Sorumlu yapay zeka panosu aracılığıyla modelde hata ayıklama	Önerilen en iyi modelin bütünsel değerlendirmesini ve hata ayıklamasını yapmak için Sorumlu bir yapay zeka panosu oluşturun. Buna model açıklamaları, eşitlik ve performans gezgini, veri gezgini ve model hata analizi gibi içgörüler dahildir. Sorumlu yapay zeka panosu oluşturma hakkında daha fazla bilgi edinin.
   Engellenen algoritma	Eğitim işinden dışlamak istediğiniz algoritmaları seçin. Algoritmalara izin verme yalnızca SDK denemeleri için kullanılabilir. Her görev türü için desteklenen algoritmalara bakın.
   Çıkış ölçütü	Bu ölçütlerden herhangi biri karşılandığında eğitim işi durdurulur. Eğitim işi süresi (saat):: Eğitim işinin çalışmasına izin verme süresi. Ölçüm puanı eşiği: Tüm işlem hatları için en düşük ölçüm puanı. Bu, ulaşmak istediğiniz tanımlı bir hedef ölçüme sahipseniz eğitim işine gerekenden daha fazla zaman harcamamanızı sağlar.
   Eşzamanlılık	En fazla eşzamanlı yineleme: Eğitim işinde test etmek için en fazla işlem hattı sayısı (yineleme). İş, belirtilen sayıda yinelemeden fazlasını çalıştırmaz. Otomatik ML'nin kümelerde birden çok alt işi nasıl gerçekleştirdiği hakkında daha fazla bilgi edinin.

5. [İsteğe bağlı] Doğrulama ve test formu aşağıdakileri yapmanızı sağlar.

   1. Eğitim işiniz için kullanılacak doğrulama türünü belirtin.

   2. Denemenizin sonunda otomatik ML'nin sizin için oluşturduğu önerilen modeli değerlendirmek için bir test veri kümesi (önizleme) sağlayın. Test verilerini sağladığınızda, denemenizin sonunda bir test işi otomatik olarak tetikler. Bu test işi yalnızca otomatik ML tarafından önerilen en iyi modeldeki iştir.

      Önemli

      Oluşturulan modelleri değerlendirmek için bir test veri kümesi sağlamak bir önizleme özelliğidir. Bu özellik deneysel bir önizleme özelliğidir ve herhangi bir zamanda değişebilir.

      • Test verileri, önerilen modelin test işinin sonuçlarını sapmamak için eğitim ve doğrulamadan ayrı olarak kabul edilir. Model doğrulama sırasında sapma hakkında daha fazla bilgi edinin.
      • Kendi test veri kümenizi sağlayabilir veya eğitim veri kümenizin yüzdesini kullanmayı tercih edebilirsiniz. Test verilerinin Azure Machine Learning TabularDataset biçiminde olması gerekir.
      • Test veri kümesinin şeması eğitim veri kümesiyle eşleşmelidir. Hedef sütun isteğe bağlıdır, ancak hedef sütun belirtilmemişse test ölçümleri hesaplanmaz.
      • Test veri kümesi eğitim veri kümesiyle veya doğrulama veri kümesiyle aynı olmamalıdır.

Sonraki adımlar

Bkz. Azure Machine Learning için kullanılabilen bileşenler kümesi.