مكون نموذج القطار
توضح هذه المقالة مكونا في Azure التعلم الآلي مصمم.
استخدم هذا المكون لتدريب نموذج تصنيف أو انحدار. يتم التدريب بعد تحديد نموذج وتعيين معلماته، ويتطلب بيانات موسومة. يمكنك أيضا استخدام نموذج القطار لإعادة تدريب نموذج موجود ببيانات جديدة.
كيف تعمل عملية التدريب
في Azure التعلم الآلي، عادة ما يكون إنشاء نموذج تعلم الآلة واستخدامه عملية من ثلاث خطوات.
يمكنك تكوين نموذج، عن طريق اختيار نوع معين من الخوارزميات، وتحديد معلماته أو معلماته التشعبية. اختر أيا من أنواع النماذج التالية:
- نماذج التصنيف ، استنادا إلى الشبكات العصبية وأشجار القرار وغابات القرار وغيرها من الخوارزميات.
- نماذج الانحدار، والتي يمكن أن تشمل الانحدار الخطي القياسي، أو التي تستخدم خوارزميات أخرى، بما في ذلك الشبكات العصبية والانحدار البايزي.
قم بتوفير مجموعة بيانات تم تصنيفها وتحتوي على بيانات متوافقة مع الخوارزمية. الاتصال كل من البيانات والنموذج إلى نموذج التدريب.
ما ينتجه التدريب هو تنسيق ثنائي محدد ، iLearner ، الذي يلخص الأنماط الإحصائية المستفادة من البيانات. لا يمكنك تعديل أو قراءة هذا التنسيق مباشرة. ومع ذلك ، يمكن للمكونات الأخرى استخدام هذا النموذج المدرب.
يمكنك أيضا عرض خصائص النموذج. لمزيد من المعلومات، راجع قسم النتائج.
بعد الانتهاء من التدريب ، استخدم النموذج المدرب مع أحد مكونات التسجيل ، لإجراء تنبؤات على البيانات الجديدة.
كيفية استخدام نموذج القطار
أضف مكون نموذج القطار إلى خط الأنابيب. يمكنك العثور على هذا المكون ضمن الفئة التعلم الآلي. قم بتوسيع قطار ثم قم بسحب مكون نموذج القطار إلى خط الأنابيب الخاص بك.
على الإدخال الأيسر ، قم بإرفاق الوضع غير المدرب. قم بإرفاق مجموعة بيانات التدريب بالإدخال الأيمن لنموذج القطار.
يجب أن تحتوي مجموعة بيانات التدريب على عمود تسمية. يتم تجاهل أي صفوف بدون تسميات.
بالنسبة إلى عمود التسمية، انقر فوق تحرير العمود في اللوحة اليسرى من المكون، واختر عمودا واحدا يحتوي على النتائج التي يمكن للنموذج استخدامها للتدريب.
بالنسبة لمشاكل التصنيف، يجب أن يحتوي عمود التسمية إما على قيم فئوية أو قيم منفصلة . قد تكون بعض الأمثلة تصنيف نعم / لا ، أو رمز أو اسم تصنيف المرض ، أو مجموعة دخل. إذا اخترت عمودا غير فئوي، فسيرجع المكون خطأ أثناء التدريب.
بالنسبة لمشاكل الانحدار، يجب أن يحتوي عمود التسمية على بيانات رقمية تمثل متغير الاستجابة. من الناحية المثالية ، تمثل البيانات الرقمية مقياسا مستمرا.
قد تكون الأمثلة على ذلك درجة مخاطر الائتمان ، أو الوقت المتوقع للفشل لمحرك الأقراص الثابتة ، أو العدد المتوقع من المكالمات إلى مركز اتصال في يوم أو وقت معين. إذا لم تختر عمودا رقميا، فقد يظهر لك خطأ.
- إذا لم تحدد عمود التسمية الذي تريد استخدامه، فسيحاول Azure التعلم الآلي استنتاج عمود التسمية المناسب، باستخدام بيانات التعريف الخاصة بمجموعة البيانات. إذا اختار العمود الخطأ، فاستخدم محدد العمود لتصحيحه.
تلميح
إذا كنت تواجه مشكلة في استخدام محدد الأعمدة، فراجع المقالة تحديد أعمدة في مجموعة البيانات للحصول على تلميحات. وهو يصف بعض السيناريوهات والنصائح الشائعة لاستخدام خيارات WITH RULES و BY NAME .
إرسال المسار. إذا كان لديك الكثير من البيانات ، فقد يستغرق الأمر بعض الوقت.
هام
إذا كان لديك عمود معرف وهو معرف كل صف، أو عمود نصي، يحتوي على عدد كبير جدا من القيم الفريدة، فقد يصطدم نموذج القطار بخطأ مثل "عدد القيم الفريدة في العمود: "{column_name}" أكبر من المسموح به.
وذلك لأن العمود وصل إلى عتبة القيم الفريدة، وقد يتسبب في نفاد الذاكرة. يمكنك استخدام تحرير بيانات التعريف لوضع علامة على هذا العمود كميزة مسح ولن يتم استخدامه في التدريب، أو استخراج ميزات N-Gram من مكون النص إلى عمود النص قبل المعالجة. راجع رمز خطأ المصمم لمزيد من تفاصيل الخطأ.
قابلية تفسير النموذج
توفر قابلية تفسير النموذج إمكانية فهم نموذج ML وتقديم الأساس الأساسي لصنع القرار بطريقة مفهومة للبشر.
يدعم مكون Train Model حاليا استخدام حزمة قابلية الترجمة الفورية لشرح نماذج ML. يتم دعم الخوارزميات المضمنة التالية:
- الانحدار الخطي
- انحدار الشبكة العصبية
- تعزيز انحدار شجرة الرفض
- انحدار غابة القرار
- انحدار Poisson
- الانحدار اللوجستي ثنائي الطبقة
- جهاز متجه الدعم ثنائي الطبقة
- Two-Class شجرة التدمير المعززة
- غابة قرار ثنائية الطبقة
- غابة القرار متعددة الطبقات
- الانحدار اللوجستي متعدد الفئات
- شبكة عصبية متعددة الفئات
لإنشاء تفسيرات النموذج، يمكنك تحديد True في القائمة المنسدلة لشرح النموذج في مكون نموذج القطار. بشكل افتراضي يتم تعيينه إلى False في مكون نموذج القطار . يرجى ملاحظة أن إنشاء تفسير يتطلب تكلفة حوسبة إضافية.
بعد اكتمال تشغيل خط الأنابيب، يمكنك زيارة علامة التبويب تفسيرات في الجزء الأيسر من مكون نموذج القطار ، واستكشاف أداء النموذج ومجموعة البيانات وأهمية الميزة.
لمعرفة المزيد حول استخدام تفسيرات النماذج في Azure التعلم الآلي، راجع المقالة الإرشادية حول تفسير نماذج ML.
النتائج
بعد تدريب النموذج:
لاستخدام النموذج في خطوط أنابيب أخرى، حدد المكون وحدد أيقونة تسجيل مجموعة البيانات ضمن علامة التبويب المخرجات في اللوحة اليمنى. يمكنك الوصول إلى النماذج المحفوظة في لوحة المكونات ضمن مجموعات البيانات.
لاستخدام النموذج في التنبؤ بقيم جديدة، قم بتوصيله بمكون نموذج النقاط ، إلى جانب بيانات الإدخال الجديدة.
الخطوات التالية
راجع مجموعة المكونات المتوفرة ل Azure التعلم الآلي.