共用方式為


適用於 Azure Machine Learning 設計工具的「機器學習演算法速查表」

Azure Machine Learning 演算法速查表可協助您針對預測性分析模型,從設計工具中選擇適合的演算法。

注意

設計工具支援兩種類型的元件:傳統預先建置的元件 (v1) 和自訂元件 (v2)。 這兩種類型的元件互不相容。

傳統預先建置元件主要提供用於資料處理和傳統機器學習工作 (例如迴歸和分類) 的預先建置元件。 此類型的元件會繼續受到支援,但將不會新增任何新元件。

自訂元件可讓您包裝自己的程式碼作為元件。 它支援跨工作區共用元件,及跨 Studio、CLI v2 和 SDK v2 介面的無縫製作。

對於新專案,我們強烈建議您使用與 AzureML V2 相容的自訂元件,並且會持續接收新的更新。

本文適用於傳統預先建置元件,且與 CLI v2 和 SDK v2 不相容。

Azure Machine Learning 具有來自分類推薦系統叢集異常偵測迴歸文字分析系列的大型演算法程式庫。 每項的設計均是用來處理不同類型的機器學習服務問題。

如需詳細資訊,請參閱如何選取演算法

下載:機器學習演算法速查表

在此下載小祕技:機器學習服務演算法小祕技 (11x17 英吋)

機器學習演算法速查表:學習如何選擇機器學習演算法。

下載並列印 Tabloid 大小的「機器學習服務演算法小祕技」,以隨時瀏覽並獲得選擇演算法的協助。

如何使用機器學習演算法速查表

這份演算法小祕技中提供的建議是近似經驗法則。 您可以屈從有些建議,也可以公然違反有些建議。 此速查表的作用在於建議起點。 別擔心您的資料上會出現數種演算法間勢均力敵的競爭。 唯有瞭解每個演算法的準則,以及產生您資料的系統才是最重要的。

每個機器學習服務演算法都有自己的風格或歸納偏差。 針對特定問題可能有數種適合的演算法,但其中可能有個演算法比其他演算法更適合。 不過,您不一定能夠事先知道最適合的那種。 在這類情況下,小祕技中會一起列出數個演算法。 適當策略就是嘗試一個演算法,而如果結果還不滿意,就嘗試其他演算法。

如要深入瞭解 Azure Machine Learning 設計工具中的演算法,請移至前往演算法和元件參考

機器學習的種類

機器學習有三個主要類別:經過指導的學習未經指導的學習增強式學習

監督式學習

在經過指導的學習中,每個資料點都會加上標籤或與感興趣的類別或值產生關聯。 分類標籤的範例就是將影像指派為「貓」或「狗」。 值標籤的範例則是與中古汽車相關聯的銷售價格。 監督式學習的目標是研究許多像是這些已加上標籤的範例,然後能夠做出有關未來資料點的預測。 例如,識別包含正確動物的新相片,或者針對其他中古汽車指派精確的銷售價格。 這是常見且實用的機器學習服務類型。

非監督式學習

在未監督的學習中,資料點沒有與其相關聯的標籤。 然而,未經指導的學習演算法的目標在於以某種方式組織資料或描述其結構。 非監督式學習會將資料劃分為叢集 (如 K-Means 所為),或找出各種查看複雜資料的方法,使其以更簡單的方式呈現。

增強式學習

在增強式學習中,演算法需要選擇一個動作來回應每個資料點。 這是在機器人領域中的常見方法,其中在某個時間點的感應器讀數集就是一個資料點,而演算法必須選擇機器人的下一個動作。 它也很適合用於物聯網 (Internet of Things) 應用程式。 此學習演算法也會在短時間內收到獎勵訊號,指出決策的好壞程度。 演算法會根據此訊號修改其策略,以達成最高的獎勵。

下一步