Seznam A až Z modulů Machine Learning Studio (classic)

  • Článek

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Tip

Zákazníkům, kteří v současné době používají nebo zkoušejí Machine Learning Studio (classic), doporučujeme vyzkoušet návrháře služby Azure Machine Learning, který nabízí moduly ML podporující přetahování a navíc škálovatelnost, správu verzí a podnikové zabezpečení.

Moduly pokrývají širokou škálu funkcí nezbytných pro úlohy strojového učení:

  • Funkce pro převod dat
  • Funkce transformace dat
  • Moduly pro spouštění skriptů jazyka R nebo Python
  • Algoritmy, včetně:
    • Rozhodovací stromy
    • Rozhodovací doménové struktury
    • Clustering
    • time series (časová řada)
    • Modely doporučení
    • Detekce anomálií

Vyhledání modulu:

  • Pokud znáte název modulu, použijte abecední tabulku jako index, abyste rychle našli konkrétní modul nebo algoritmus.
  • Seznam modulů podle kategorie funkčnosti najdete v tématu Kategorie a popisy modulů.

Abecední tabulka modulů

Název modulu Description
Přidání sloupců Přidá sadu sloupců z jedné datové sady do jiné.
Přidání řádků Připojí sadu řádků ze vstupní datové sady na konec jiné datové sady.
Použít filtr Použije filtr na zadané sloupce datové sady.
Použití matematických operací Použije matematickou operaci na hodnoty sloupců.
Použití transformace SQL Spustí dotaz SQLite na vstupní datové sady pro transformaci dat.
Použití transformace Použije dobře zadanou transformaci dat na datovou sadu.
Přiřazení dat do clusterů Přiřadí data ke clusterům pomocí existujícího natrénového modelu clusteringu.
Bayesovská lineární regrese Vytvoří bayesovské lineární regresní model.
Posílená regrese rozhodovacího stromu Vytvoří regresní model pomocí posílené algoritmu rozhodovacího stromu.
Transformace počítání sestavení Vytvoří počty, které se mají použít k vytváření funkcí.
Vyčištění chybějících dat Určuje, jak zpracovat hodnoty, které v datové sadě chybí.
Oříznutí hodnot Detekuje odlehlé hodnoty a potom klipy nebo nahradí jejich hodnoty.
Výpočet základních statistik Vypočítá zadanou souhrnnou statistiku pro vybrané sloupce datové sady.
Rozpoznání jazyků Rozpozná jazyk každého řádku ve vstupním souboru.
Lineární korelace výpočtů Vypočítá lineární korelaci mezi hodnotami sloupců v datové sadě.
Převod na ARFF Převede datový vstup na formát relačních souborů atributů, který používá sada nástrojů Weka.
Převod na C Převede datový vstup do formátu hodnot oddělených čárkami.
Převod na datovou sadu Převede datový vstup do interního formátu datové sady, který používá Machine Learning.
Převod na hodnoty indikátoru Převede kategorické hodnoty ve sloupcích na hodnoty indikátoru.
Převod na SVMLight Převede datový vstup do formátu, který používá rozhraní SVMlight.
Převod na TSV Převede datový vstup do formátu odděleného tabulátory.
Vytvoření modelu R Vytvoří model R pomocí vlastních prostředků.
Křížové ověření modelu Křížově ověřuje odhady parametrů pro klasifikační nebo regresní modely rozdělením dat.
Regrese rozhodovacího lesa Vytvoří regresní model pomocí algoritmu rozhodovací doménové struktury.
Rozpoznání jazyků Rozpozná jazyk každého řádku ve vstupním souboru.
Úpravy metadat Upraví metadata přidružená ke sloupcům v datové sadě.
Ruční zadávání dat Umožňuje zadávání a úpravy malých datových sad zadáním hodnot.
Vyhodnocení modelu Vyhodnotí klasifikační nebo regresní model se skóre pomocí standardních metrik.
Evaluate Probability – funkce Přizpůsobí zadanou distribuční funkci pravděpodobnosti datové sadě.
Vyhodnocení doporučovacího systému Vyhodnotí přesnost předpovědí doporučového modelu.
Spouštění skriptů Pythonu Spustí skript Pythonu z Machine Learning experimentu.
Spouštění skriptů R Spustí skript R z Machine Learning experimentu.
Export tabulky počtu Exportuje počty z transformace počtu.
Export dat Zapisuje datovou sadu na webové adresy URL nebo do různých forem cloudového úložiště v Azure, jako jsou tabulky, objekty blob a Azure SQL databáze.

Tento modul byl dříve pojmenován Writer.
Extrakce klíčových frází z textu Extrahuje klíčová slova a fráze z textového sloupce.
Extrakce funkcí n-gramů z textu Vytvoří slovníkové funkce N-Gram a pak na nich výběr funkcí.
Rychlá kvantilová regrese rozhodovacích stromů Vytvoří kvantilový regresní model.
Hashování funkcí Převede textová data na funkce kódované celým číslem pomocí knihovny Vowpal Wabbit.
Výběr funkcí na základě filtrů Identifikuje funkce v datové sadě, které mají největší prediktivní výkon.
Filtr FIR Vytvoří konečný filtr odpovědí pro zpracování signálů.
Fisher Linear Discriminant Analysis Identifikuje lineární kombinaci proměnných funkcí, které mohou nejlépe seskupit data do samostatných tříd.
Seskupit kategorické hodnoty Seskupí data z více kategorií do nové kategorie.
Seskupení dat do přihrádek Umisuje číselná data do přihrádek.
Filtr IIR Vytvoří nekonečnou filtr impulzu pro zpracování signálů.
Import tabulky count (Počet importů) Importuje počty z existující tabulky count.
Import dat Načte data z externích zdrojů na webu nebo z různých forem cloudového úložiště v Azure, jako jsou tabulky, objekty blob, SQL databáze a Azure Cosmos DB. Může načítat data z místní SQL Server databáze, pokud je nakonfigurovaná brána.

Tento modul byl dříve pojmenován Reader.
Import imagí Načte obrázky z Úložiště objektů blob v Azure do datové sady.
Spojení dat Spojí dvě datové sady.
Clustering K-Means Nakonfiguruje a inicializuje model clusteringu K-Means.
Model LDA (Latent Dirichlet Allocation) Provádí modelování témat pomocí knihovny Vowpal Wabbit pro latent Dirichlet Allocation (LDA).
Lineární regrese Vytvoří model lineární regrese.
Načíst trénovaný model Získá natrénovaný model, který můžete použít k bodování v experimentu.
Filtr mediánu Vytvoří medián filtru, který se použije k vyhlazení dat pro analýzu trendů.
Transformace počtu sloučení Sloučí dvě sady tabulek počtu.
Úprava parametrů tabulky počtu Vytvoří kompaktní sadu funkcí založených na počtu z tabulek počtu.
Filtr klouzavých průměrů Vytvoří filtr s klouzavým průměrem, který vyhladí data pro analýzu trendů.
Rozhodovací les s více třídami Vytvoří klasifikační model s více třídami pomocí algoritmu rozhodovací doménové struktury.
Rozhodovací třída s více třídami Vytvoří klasifikační model s více třídami pomocí algoritmu rozhodovacího algoritmu.
Logistická regrese s více třídami Vytvoří vícetřídový model klasifikace logistické regrese.
Neurální síť s více třídami Vytvoří klasifikační model s více třídami pomocí algoritmu neurální sítě.
Rozpoznávání pojmenovaných entit Rozpozná pojmenované entity v textovém sloupci.
Regrese neurální sítě Vytvoří regresní model pomocí algoritmu neurální sítě.
Normalizace dat Přeškáluje číselná data tak, aby se hodnoty datových sad omezují na standardní rozsah.
Vektorový stroj podpory s jednou třídou Vytvoří model jedno třída podpůrných vektorů pro detekci anomálií.
1-versus-all Multiclass Vytvoří klasifikační model s více třídami ze souboru binárních klasifikačních modelů.
Ordinální regrese Vytvoří ordinální regresní model.
Rozdělení a ukázky Vytvoří několik oddílů datové sady na základě vzorkování.
Důležitost funkce permutací Vypočítá skóre důležitosti funkce permutace proměnných vlastností ve vytrénované modelu a testovací datové sadě.
Detekce anomálií na základě PCA Vytvoří model detekce anomálií pomocí analýzy hlavních komponent (PCA).
Poissonova regrese Vytvoří regresní model, který předpokládá, že data mají Poissonovo rozdělení.
Předzpracování textu Provádí operace čištění textu.
Předem vytrénovaná klasifikace obrázků kaskádová Vytvoří předem vytrénovaný model klasifikace obrázků pro frontální tváře pomocí knihovny OpenCV.
Analýza hlavních komponent Vypočítá sadu funkcí, které mají omezenou dimenzionalitu pro efektivnější učení.
Odebrání duplicitních řádků Odebere duplicitní řádky z datové sady.
Nahrazení diskrétních hodnot Nahradí diskrétní hodnoty z jednoho sloupce číselnými hodnotami založenými na jiném sloupci.
Doporučovat skóre matchboxu Pomocí doporučovateče Matchboxu můžete vytvořit skóre predikce pro datovou sadu.
Určení skóre modelu Predikce skóre pro natrénovaný klasifikační nebo regresní model
Skóre modelu Vowpal Wabbit 7-4 Scores data by using the Vowpal Wabbit machine learning system.

Vyžaduje natrénovaný model sestavený pomocí Vowpal Wabbitu verze 7-4 a 7-6.
Skóre modelu Vowpal Wabbit 7–10 Scores data by using the Vowpal Wabbit machine learning system.

Vyžaduje vytrénovaný model sestavený pomocí Vowpal Wabbit verze 7-10.
Skóre modelu Vowpal Wabbit 8 Scores data by using the Vowpal Wabbit machine learning system from the command-line interface.

Vyžaduje vytrénovaný model sestavený pomocí Vowpal Wabbit verze 8.
Výběr sloupců v datové sadě Vybere sloupce, které se mají zahrnout do datové sady v operaci nebo je z datové sady vyloučit.
SMOTE Zvyšuje počet příkladů nízkého výskytu v datové sadě pomocí syntetické části přešikování.
Rozdělení dat Rozdělí řádky datové sady do dvou různých sad.
Sumarizace dat Vygeneruje základní sestavu s popisem statistiky pro sloupce v datové sadě.
Clustering Sweep Provede v modelu clusteringu parametr pro určení optimálního nastavení parametrů.
Test hypotézy pomocí T-test Porovnání znamená ze dvou datových sad pomocí t-test.
Filtr prahové hodnoty Vytvoří filtr prahové hodnoty, který omezuje hodnoty.
Detekce anomálií časové řady Zjistí trend v datech časových řad a pak pomocí trendu detekuje anomálie.
Trénování modelu detekce anomálií Navlakuje model detektoru anomálií a potom označí data ze sady školení.
Trénování modelu clusteringu Navlakuje model clusteringu a potom přiřadí data ze sady školení do clusterů.
Doporučení pro výuku Matchbox Navlakuje doporučení bayesovského rozhodování pomocí algoritmu Matchbox.
Trénování modelu Provlacích model klasifikace nebo regrese v dohledovém režimu.
Pro model dostupné 7-4 pro vlaky Navlakuje model ze systému Machine Learning pro dostupné.

Tento modul je kompatibilní s pro dostupné verze 7-4 a 7-6.
Pro model dostupné 7-10 pro vlaky Navlakuje model ze systému Machine Learning pro dostupné.

Tento modul je určen pro pro dostupné verze 7-10.
Pro model dostupné 8 pro vlaky Navlakuje model pomocí verze 8 systému Machine Learning pro dostupné.

Tento modul je určen pro pro dostupné verze 8.
Ladění hyperparametrů modelů Provádí v modelu regrese nebo klasifikace parametr Sweep, aby bylo možné určit optimální nastavení parametrů.
Zprůměrovaný perceptron se dvěma třídami Vytvoří průměrný model klasifikace Perceptron binárního modelu.
Počítač se dvěma třídami Bayes Point Vytvoří binární klasifikační model počítače Bayes Point.
Posílený rozhodovací strom se dvěma třídami Vytvoří binární třídění pomocí zesíleného algoritmu rozhodovacího stromu.
Rozhodovací les se dvěma třídami Vytvoří model klasifikace se dvěma třídami pomocí algoritmu rozhodovací doménové struktury.
Rozhodnutí Jungle se dvěma třídami Vytvoří model klasifikace se dvěma třídami pomocí Jungle algoritmu pro rozhodování.
Vektorový počítač se dvěma třídami, který je místně hluboký Vytvoří binární klasifikační model s využitím místně hluboko podporovaného algoritmu vektorového počítače.
Logistická regrese se dvěma třídami Vytvoří model logistické regrese se dvěma třídami.
Neurální síť se dvěma třídami Vytvoří binární klasifikátor pomocí neuronové síťového algoritmu.
Support Vector Machine (SVM) se dvěma třídami Vytvoří binární klasifikační model pomocí algoritmu podpory vektorového počítače.
Rozbalit sady pro obnovení Rozbalí datové sady z balíčku .zip v úložišti uživatele.
Uživatelsky definovaný filtr Vytvoří vlastní omezený nebo nekonečný filtr odpovědí Impulse.

Viz také