Anomali Algılama Modeli Eğitme
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.
- makine öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
- Azure Machine Learninghakkında daha fazla bilgi edinin.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Eğitim kümesi üzerinde anomali algılama modeli yapın
kategori: Machine Learning/eğitme
Not
uygulama hedefi: yalnızca Machine Learning Studio (klasik)
benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.
Modüle genel bakış
bu makalede, eğitilen bir algılama modeli oluşturmak için Machine Learning 'de anomali algılama modeli modülünün nasıl kullanılacağı açıklanır.
Modül, tek sınıf destek vektör makinesi modülü tarafından oluşturulan ve etiketsiz veri kümesi tarafından üretilen gibi anomali algılama modeli için bir dizi model parametresi olarak alır. Eğitim verileri için bir Etiketler kümesiyle birlikte eğitilen bir algılama modeli döndürür.
Machine Learning ' de sunulan anomali algılama algoritmaları hakkında daha fazla bilgi için şu konulara bakın:
Tren anomali algılama modelini yapılandırma
Eğitim için eğitim modeli modülünü Studio 'daki denemenize (klasik) ekleyin. modülü eğitme kategorisinde Machine Learning' nin altında bulabilirsiniz.
PCA tabanlı anomali algılama veya tek sınıf destek vektör makinesigibi anomali algılama için tasarlanan modüllerden birini Bağlan.
Diğer model türleri desteklenmez; denemeyi çalıştırırken şu hatayı alırsınız: tüm modeller aynı Learner türüne sahip olmalıdır.
Etiket sütununu seçerek ve algoritmaya özgü diğer parametreleri ayarlayarak anomali algılama modülünü yapılandırın.
Anomali algılama modelini eğmekiçin doğru girişe eğitim veri kümesi ekleyin.
Denemeyi çalıştırın.
Sonuçlar
Eğitim tamamlandıktan sonra:
Modelin parametrelerini görüntülemek için modüle sağ tıklayın ve Görselleştir' i seçin.
Tahmin oluşturmak için, puan modelini yeni giriş verileriyle kullanın.
Eğitilen modelin anlık görüntüsünü kaydetmek için eğitilen model çıktısına sağ tıklayın ve farklı kaydet' i seçin.
Örnekler
anomali algılamanın Machine Learning nasıl uygulandığı hakkında bir örnek için, Azure Yapay Zeka Galerisibakın:
Çevrimiçi sahtekarlık algılaması: özelliklere mühendislikve algoritmanın sonuçlarını yorumlama dahil olmak üzere anomali algılama senaryosuna yönelik ayrıntılı bir anlatım sağlar.
Anomali algılama: kredi riski: sahtekarlık algılaması Için tek sınıf destek vektör makinesi ve PCA tabanlı anomali algılama modüllerinin nasıl kullanılacağını gösterir.
Beklenen girişler
| Ad | Tür | Description |
|---|---|---|
| Eğitilen model | ILearner arabirimi | Eğitilen anomali algılama modeli |
| Veri kümesi | Veri tablosu | Giriş veri kaynağı |
Çıkışlar
| Ad | Tür | Description |
|---|---|---|
| Eğitilen model | ILearner arabirimi | Eğitimli anomali algılama modeli |
Özel durumlar
| Özel durum | Description |
|---|---|
| Hata 0003 | Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur. |
Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.
apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.