Veri Dönüştürme - Filtre

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Bu makalede, dijital verileri dönüştürmek için Machine Learning Studio'daki (klasik) filtre modüllerini nasıl kullanabileceğiniz açıklanmaktadır. Machine Learning Studio (klasik) için bu araç grubundaki modüller, dijital sinyal işleme teknolojisi için geliştirilen filtreleri temel alır.

Not

Şunlar için geçerlidir: yalnızca Machine Learning Studio (klasik)

Benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısında da kullanılabilir.

Filtreler genellikle veri işleme aşamasındaki veya ön işleme aşamasındaki verilere uygulanır. Filtreler, makine öğrenmesi için kullanılan sinyalin netliğini artırır. Örneğin, bu işleme görevleri için Machine Learning Studio'daki (klasik) filtre modüllerini kullanabilirsiniz:

  • Konuşma tanıma için kullanılan dalga biçimlerini temizleyin.
  • Gürültülü satışlarda veya ekonomik verilerde eğilimleri algılayın veya mevsimsel etkileri kaldırın.
  • Telemetri sinyallerindeki desenleri veya yapıtları analiz edin.

Bu modüller, dalga biçimi verilerini matematiksel olarak dönüştürmek için iyi araştırılmış algoritmalar kullanarak filtrelerin kolay yapılandırılmasını sağlar. Verilerinize uygulanacak doğru katsayıları zaten belirlediyseniz özel bir filtre de oluşturabilirsiniz.

Verileri bir veri kümesinden satır satır dışlama, eksik değerleri kaldırma veya veri kümesinin boyutunu küçültme gibi görevler gerçekleştirmeniz gerekiyorsa, bunun yerine şu modülleri kullanın:

  • Eksik Verileri Temizle: Eksik değerleri kaldırın veya eksik değerleri yer tutucularla değiştirin.
  • Bölüm ve Örnek: Tarih aralığı, belirli bir değer veya normal ifadeler gibi ölçütleri kullanarak veri kümenizi bölün veya filtreleyin.
  • Clip Değerleri: Bir değer aralığı ayarlayın ve yalnızca bu aralıktaki değerleri koruyun.

Dijital sinyal işlemedeki filtreler

Bir kameraya aydınlatmayı telafi etmek veya özel efektler oluşturmak için filtre ekleyebileceğiniz gibi, makine öğrenmesi için kullandığınız verilere de filtre uygulayabilirsiniz. Filtreler bir sinyalin netliğini artırmaya, ilginç özellikleri yakalamaya veya gürültüyü azaltmaya yardımcı olabilir.

İdeal filtre tüm gürültüyü ortadan kaldırır ve istenen sinyal için tekdüzen duyarlılığa sahiptir. Ancak, oldukça iyi bir filtrenin bile tasarlanması birçok yineleme veya teknik birleşimini alabilir. Etkili bir filtre tasarlamayı başarırsanız, yeni verileri dönüştürürken yeniden kullanabilmek için filtreyi kaydetmeyi göz önünde bulundurun.

Genel olarak filtreleme, dalga biçimi analizi ilkelerine dayanır. Bir filtre tasarlarken sinyalin parçalarını gizlemenin veya yükseltmenin, temel eğilimleri ortaya çıkarmanın, gürültüyü ve girişimi azaltmanın ya da aksi halde algılanmayabilecek veri değerlerini tanımlamanın yollarını ararsınız.

Tek tek eğilimleri veya gerçek veri değerleri oluşturan dalga biçimi bileşenlerini ayrıştırmak için çeşitli teknikler uygulanır. Değer serisi, tek tek dalga biçimlerini tanımlamak ve yalıtmak için trigonometrik işlevler kullanılarak analiz edilebilir. (Bu, ister ekonometrik bir seri ister ses sinyallerinin bileşik frekansları olsun doğrudur.) Daha sonra, gürültüyü ortadan kaldırmak, bazı dalgaları yükseltmek veya hedeflenen bileşenleri kaldırmak için bu dalga formlarına filtreler uygulanabilir.

Farklı bileşenleri yalıtmak için gürültülü bir seriye filtreleme uygulandığında, çalışılacak frekans bandını belirterek hangi frekansların kaldırılacağını veya güçlendirileceğini belirtebilirsiniz.

Machine Learning Studio'da dijital filtreler (klasik)

Aşağıdaki filtre türleri Machine Learning Studio'da (klasik) desteklenir:

  • Dalga biçimi ayrıştırma temelinde filtreler. Sonlu dürtü yanıtı (FIR) ve sonsuz dürtü yanıtı (IIR) filtreleri buna örnek olarak verilebilir. Bu filtreler, genel bir seriden belirli bileşenleri kaldırarak çalışır. Daha sonra basitleştirilmiş dalga formunu görüntüleyebilir ve araştırabilirsiniz.
  • Hareketli ortalamaları veya ortanca değerleri temel alan filtreler. Bu filtreler, zaman aralıkları arasında ortalama oluşturarak veri serisindeki varyasyonları yumuşatır. Pencereler sabitlenebilir veya kaydırılabilir ve farklı şekillere sahip olabilir. Örneğin, üçgen bir pencere geçerli veri noktasında zirve yapar (geçerli değeri daha güçlü ağırlıklar) ve veri noktasından önce ve sonra (değerlerin önünde ve sonrasındaki ağırlıklar daha az güçlü) uçlar.
  • Kullanıcı tanımlı veya özel filtreler. Veri serisine uygulanması gereken dönüştürmeleri zaten biliyorsanız, kullanıcı tanımlı bir filtre oluşturabilirsiniz. Veri serisini dönüştürmek için uygulanan sayısal katsayıları sağlarsınız. Özel filtre bir FIR veya IIR filtresine öykünebilir. Ancak, özel bir filtreyle, serinin her noktasına uygulanacak değerler üzerinde daha fazla denetime sahip olursunuz.

Filtre terminolojisi

Aşağıdaki liste, filtrelerin parametrelerinde ve özelliklerinde kullanılan terimlerin basit tanımlarını içerir:

  • Geçiş bandı: Bir filtreden zayıflamadan veya zayıflamadan geçebilen frekans aralığıdır.
  • Stopband: Sinyallerin geçirilmediği belirtilen sınırlar arasındaki frekans aralığıdır. Kesme frekanslarını ayarlayarak durdurma bandını tanımlarsınız.
  • Yüksek geçiş: Yalnızca yüksek frekansların geçmesine izin verin.
  • Düşük geçiş: Yalnızca belirtilen kesme değerinin altındaki sıklıkları kabul edin.
  • Köşe: Stopband ile geçiş bandı frekansları arasındaki sınırı tanımlar. Genellikle köşenin gruba dahil edilip edilmeyeceğine veya gruptan dışlanıp dışlanmadığına karar verme seçeneğiniz vardır. Birinci sıra filtresi, köşe sıklığına kadar kademeli olarak azaltmaya neden olur. Bundan sonra, filtre üstel azaltmaya neden olur. Daha yüksek sıralı filtreler (Butterworth ve Chebyshev filtreleri gibi) köşe sıklığından sonra daha dik eğimlere sahiptir. Daha yüksek sıralı filtreler, stopband'deki değerleri çok daha hızlı ve tam olarak hafifletmektedir.
  • Bandstop filtresi ( bant reddetme filtresi veya çentik filtresi olarak da adlandırılır): Yalnızca bir stopband vardır. Durdurma bandını iki frekans belirterek tanımlarsınız: yüksek kesme sıklığı ve düşük kesme sıklığı. Bir bandpass filtresi genellikle iki durdurma bandına sahiptir: biri istenen bileşenin her iki tarafında.
  • Dalgalanma: Düzenli aralıklarla oluşan küçük, istenmeyen bir varyasyon. Machine Learning,IIR filtre tasarımındaki parametrelerin bir parçası olarak tolere etmek için dalgalanma miktarını belirtebilirsiniz.

İpucu

Daha fazla bilgiye mi ihtiyacınız var? Dijital sinyal işlemeyi yeni kullanıyorsanız bkz. Dijital Sinyal İşlemeye Giriş. Web sitesi, temel terminolojiyi ve kavramları açıklayan tanımlar ve yararlı görsel yardımlar sağlar.

Modüllerin listesi

Aşağıdaki modüller Veri Dönüştürme - Filtre kategorisine dahildir:

Ayrıca bkz.