ML Studio (klasik) modüllerinde makine öğrenmesi modülleri

  • 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.

Makine öğrenmesi için tipik iş akışı birçok aşama içerir:

  • Çözülecek bir sorunu ve sonuçları ölçme ölçümlerini tanımlama.

  • Uygun verileri bulma, temizleme ve hazırlama.

  • En iyi özellikleri tanımlama ve yeni mühendislik özellikleri.

  • Modelleri bina, değerlendirme ve ayarlama.

  • Tahminler, öneriler ve diğer sonuçlar oluşturmak için modelleri kullanma.

Bu bölümdeki modüller, makine öğrenmesi için son aşamalar için araçlar sağlar. Burada verilere model eğitmek için bir algoritma uygulayabilirsiniz. Bu son aşamalarda puanlar da oluşturacak ve ardından modelin doğruluğunu ve kullanışlılığını değerlendirebilirsiniz.

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

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

Kategoriye göre makine öğrenmesi görevlerinin listesi

  • Modeli Başlatma

    Kümeleme, regresyon, sınıflandırma ve anomali algılama modelleri gibi çeşitli özelleştirilebilir makine öğrenmesi algoritmalarından birini seçin.

  • Eğitim

    Desenlerden öğrenmek ve tahminler için kullanılan istatistikler oluşturmak için yapılandırılmış modele verilerinizi sağlama.

  • Puan

    Eğitilen modelleri kullanarak tahminler oluşturun.

  • Değerlendirme

    Eğitilen bir modelin doğruluğunu ölçün veya birden çok modeli karşılaştırın.

Bu deneysel iş akışının ayrıntılı bir açıklaması için bkz. Kredi riski çözümü gözden geçirmesi.

Önkoşullar

Model hazırlamanın eğlenceli bir parçasına varmadan önce genellikle çok fazla hazırlık gerekir. Bu bölümde, Machine Learning Studio'da (klasik) verilerinizi temizlemenize, giriş kalitesini artırmanıza ve çalışma zamanı hatalarını önlemenize yardımcı olacak araçlara bağlantılar sağlar.

Veri keşfi ve veri kalitesi

Verilerinizin doğru veri türü, doğru miktar ve seçtiğiniz algoritma için doğru kalite olduğundan emin olmak. Ne kadar veriye sahip olduğunu ve nasıl dağıtıldığından anlama. Outliers var mı? Bunlar nasıl oluşturulmuş ve ne anlama geliyor? Yinelenen kayıt var mı?

Eksik değerleri işleme

Eksik değerler sonuçlarınızı birçok şekilde etkileyebilir. Örneğin, neredeyse tüm istatistiksel yöntemler eksik değerlerle servis servislerini atar. Varsayılan olarak, Machine Learning eksik değerlerle karşılaştığında bu kurallara uyar:

  • Modeli eğitmek için kullanılan verilerde eksik değerler varsa, eksik değerleri olan tüm satırlar atlanır.

  • Modele göre puanlamada giriş olarak kullanılan veriler eksik değerlere sahipse eksik değerler giriş olarak kullanılır ancak null değerler yayılmaz. Bu genellikle sonuçlarda geçerli bir tahmin yerine null değerinin ekli olduğu anlamına gelir.

Modelinizi eğitmeden önce verilerinizi kontrol edin. Eksik değerleri ifade etmek veya verilerinizi düzeltmek için şu modülü kullanın:

Özellikleri seçme ve boyutsallığı azaltma

Machine Learning Studio (klasik), en kullanışlı öznitelikleri bulmak için verilerinizin üzerinden atmanıza yardımcı olabilir.

Örnekler

Makine öğrenmesi uygulamalı örnekleri için bkz . Azure Yapay Zeka Galerisi.

İpuçları ve bazı tipik veri hazırlama görevlerinin gözden geçirmesi için bkz. Team Data Science Process'i yürüten izlenecek yollar.

Ayrıca bkz.