A-Z-Liste der Machine Learning Studio-Module (klassisch)

  • Artikel

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Tipp

Kunden, die derzeit Machine Learning Studio (klassisch) verwenden oder testen, wird empfohlen, den Azure Machine Learning-Designer auszuprobieren. Dieser bietet Drag & Drop-ML-Module sowie Skalierbarkeit, Versionskontrolle und Unternehmenssicherheit.

Die Module decken eine Vielzahl von Features und Funktionen ab, die für Machine Learning-Aufgaben erforderlich sind:

  • Datenkonvertierungsfunktionen
  • Datentransformationsfunktionen
  • Module zum Ausführen von R- oder Python-Skripts
  • Algorithmen, einschließlich:
    • Entscheidungsstrukturen
    • Entscheidungsstrukturen
    • Clustering
    • Zeitreihe
    • Empfehlungsmodelle
    • Anomalieerkennung

So suchen Sie ein Modul:

  • Wenn Sie den Namen des Moduls kennen, verwenden Sie die alphabetische Tabelle als Index, um schnell nach einem bestimmten Modul oder Algorithmus zu suchen.
  • Eine Liste der Module nach Funktionskategorie finden Sie unter Modulkategorien und Beschreibungen.

Alphabetische Tabelle mit Modulen

Modulname Beschreibung
Hinzufügen von Spalten Fügt einen Satz von Spalten aus einem Dataset zu einem anderen hinzu.
Hinzufügen von Zeilen Fügt eine Reihe von Zeilen aus einem Eingabe-Dataset an das Ende eines anderen Datasets an.
Anwenden eines Filters Wendet einen Filter auf angegebene Spalten eines Datasets an.
Anwenden einer mathematischen Operation Wendet eine mathematische Operation auf Spaltenwerte an.
Anwenden der SQL-Transformation Führt eine SQLite-Abfrage für Eingabe-Datasets aus, um die Daten zu transformieren.
Anwenden der Transformation Wendet eine genau angegebene Datentransformation auf ein Dataset an.
Assign Data to Clusters (Zuweisen von Daten zu Clustern) Weist Clustern Daten mithilfe eines vorhandenen trainierten Clustermodells zu.
Bayessche lineare Regression Erstellt ein bayessches lineares Regressionsmodell.
Regression bei verstärktem Entscheidungsbaum Erstellt ein Regressionsmodell mithilfe des Boosted Decision Tree-Algorithmus.
Erstellen von Zähltransformationen Erstellt Anzahlen, die zum Erstellen von Features verwendet werden.
Bereinigen fehlender Daten Gibt an, wie Werte behandelt werden sollen, die in einem Dataset fehlen.
Beschneiden von Werten Erkennt Ausreißer und clipst oder ersetzt dann deren Werte.
Berechnen grundlegender Statistiken Berechnet die angegebenen Zusammenfassungsstatistiken für ausgewählte Datasetspalten.
Erkennen von Sprachen Erkennt die Sprache jeder Zeile in der Eingabedatei.
Berechnen der linearen Korrelation Berechnet die lineare Korrelation zwischen Spaltenwerten in einem Dataset.
Convert to ARFF Konvertiert die Dateneingabe in das Format der Attributbeziehungsdatei, das vom Weka-Toolset verwendet wird.
Konvertieren in CSV Konvertiert Dateneingaben in ein durch Komma getrenntes Werteformat.
Konvertieren in ein Dataset Konvertiert Dateneingaben in das interne Datasetformat, das von der Machine Learning.
Konvertieren in Indikatorwerte Konvertiert kategorische Werte in Spalten in Indikatorwerte.
Convert to SVMLight (Konvertieren in SVMLight) Konvertiert Dateneingaben in das Format, das vom SVMlight-Framework verwendet wird.
Convert to TSV Konvertiert Dateneingaben in das format mit Tabstopptrennzeichen.
Create R Model Erstellt ein R-Modell mithilfe benutzerdefinierter Ressourcen.
Cross-Validate Model Überprüft Parameterschätzungen für Klassifizierungs- oder Regressionsmodelle durch Partitionierung der Daten.
Entscheidungswaldregression Erstellt ein Regressionsmodell mithilfe des Decision Forest-Algorithmus.
Erkennen von Sprachen Erkennt die Sprache jeder Zeile in der Eingabedatei.
Bearbeiten von Metadaten Bearbeitet Metadaten, die Spalten in einem Dataset zugeordnet sind.
Manuelles Eingeben von Daten Ermöglicht das Eingeben und Bearbeiten kleiner Datasets durch Eingabe von Werten.
Auswertungsmodell Wertet ein bewertetes Klassifizierungs- oder Regressionsmodell mithilfe von Standardmetriken aus.
Auswertung von Wahrscheinlichkeitsfunktionen Passt eine angegebene Wahrscheinlichkeitsverteilungsfunktion an ein Dataset an.
Evaluate Recommender Wertet die Genauigkeit von Empfehlungsmodellvorhersagen aus.
Ausführen von Python-Skripts Führt ein Python-Skript aus einem Machine Learning aus.
Ausführen von R-Skripts Führt ein R-Skript aus einem Machine Learning aus.
Exportieren einer Anzahltabelle Exportiert die Anzahl aus einer Count-Transformation.
Daten exportieren Schreibt ein Dataset in Web-URLs oder in verschiedene Formen von cloudbasiertem Speicher in Azure, z. B. Tabellen, Blobs und Azure SQL Datenbanken.

Dieses Modul hat früher den Namen Writer.
Extrahieren von Schlüsselbegriffen aus Text Extrahiert Schlüsselwörter und Ausdrücke aus einer Textspalte.
Extrahieren von N-Gramm-Funktionen aus Text Erstellt N-Gramm-Wörterbuchfeatures und führt dann die Featureauswahl für diese aus.
Schnelle gesamtstrukturbasierte Quantilregression Erstellt ein Quantilregressionsmodell.
Feature Hashing Konvertiert Textdaten mithilfe der Vowpal Wabbit-Bibliothek in integercodierte Features.
Filterbasierte Featureauswahl Identifiziert die Features in einem Dataset mit der größten Vorhersageleistung.
FIR Filter Erstellt einen endlichen Signalantwortfilter für die Signalverarbeitung.
Fisher Linear Discriminant Analysis Identifiziert die lineare Kombination von Featurevariablen, die Daten am besten in separate Klassen gruppieren können.
Group Categorical Values Unterteilt Daten aus mehreren Kategorien in eine neue Kategorie.
Gruppieren von Daten in Containern Legt numerische Daten in Behältern ab.
IIR Filter Erstellt einen unendlichen Signalantwortfilter für die Signalverarbeitung.
Importieren einer Anzahltabelle Importiert die Anzahl aus einer vorhandenen Count-Tabelle.
Daten importieren Lädt Daten aus externen Quellen im Web oder aus verschiedenen Formen von cloudbasiertem Speicher in Azure, z. B. Tabellen, Blobs, SQL-Datenbanken und Azure Cosmos DB. Kann Daten aus einer lokalen Datenbank SQL Server, wenn ein Gateway konfiguriert wurde.

Dieses Modul hat früher den Namen Reader.
Importieren von Bildern Lädt Bilder aus Azure Blob Storage in ein Dataset.
Verknüpfen von Daten Verbindet zwei Datasets.
K-Means-Clustering Konfiguriert und initialisiert ein K-Means-Clusteringmodell.
Latent Dirichlet Allocation Führt die Themenmodellierung mithilfe der Vowpal Wabbit-Bibliothek für Latent Dirichlet Allocation (LDA) durch.
Lineare Regression Erstellt ein lineares Regressionsmodell.
Laden eines trainierten Modells Ruft ein trainiertes Modell ab, das Sie für die Bewertung in einem Experiment verwenden können.
Median Filter Erstellt einen Medianfilter, der zum Glätten von Daten für die Trendanalyse verwendet wird.
Zusammenführen einer Zähltransformation Führt zwei Sätze von Count-Tabellen zusammen.
Ändern von Anzahltabellenparametern Erstellt einen kompakten Satz von count-basierten Features aus Count-Tabellen.
Moving Average Filter Erstellt einen Filter für den gleitenden Durchschnitt, der Daten für die Trendanalyse glättet.
Entscheidungswald mit mehreren Klassen Erstellt ein Multiklassenklassifizierungsmodell mithilfe des Decision Forest-Algorithmus.
Mehrklassiger Entscheidungsdschungel Erstellt ein Multiklassenklassifizierungsmodell mithilfe des Decision Algorithm.
Logistische Regression mit mehreren Klassen Erstellt ein logistisches Regressionsklassifizierungsmodell mit mehreren Klassen.
Mehrklassiges neuronales Netzwerk Erstellt ein Multiklassenklassifizierungsmodell mithilfe eines neuronalen Netzwerkalgorithmus.
Erkennung benannter Entitäten Erkennt benannte Entitäten in einer Textspalte.
Regression mit neuronalen Netzwerken Erstellt ein Regressionsmodell mithilfe eines neuronalen Netzwerkalgorithmus.
Normalisieren von Daten Skaliert numerische Daten neu, um Datasetwerte auf einen Standardbereich zu beschränken.
Einklassige Support Vector Machine Erstellt ein einklassiges Support Vector Machine-Modell für die Anomalieerkennung.
One-vs-All-Multiklasse Erstellt ein Multiklassenklassifizierungsmodell aus einem Ensemble binärer Klassifizierungsmodelle.
Ordinal Regression Erstellt ein Ordinalregressionsmodell.
Partition und Beispiel Erstellt mehrere Partitionen eines Datasets basierend auf der Stichprobenentnahme.
Permutation Feature Importance Berechnet die Permutation Feature Importance Scores von Featurevariablen in einem trainierten Modell und einem Test-Dataset.
PCA-basierte Anomalieerkennung Erstellt ein Anomalieerkennungsmodell mithilfe der Prinzipalkomponentenanalyse (Principal Component Analysis, PCA).
Poisson-Regression Erstellt ein Regressionsmodell, bei dem davon ausgegangen wird, dass Daten über eine Poisson-Verteilung verfügt.
Vorverarbeiten von Text Führt Bereinigungsvorgänge für Text aus.
Pretrained Cascade Image Classification (Vortrainierte Kaskadenbildklassifizierung) Erstellt mithilfe der OpenCV-Bibliothek ein vortrainiertes Bildklassifizierungsmodell für Frontalgesichter.
Hauptkomponentenanalyse (Principal Component Analysis) Berechnet eine Reihe von Features mit reduzierter Dimensionalität für effizienteres Lernen.
Entfernen doppelter Zeilen Entfernt doppelte Zeilen aus einem Dataset.
Replace Discrete Values Ersetzt diskrete Werte aus einer Spalte durch numerische Werte, die auf einer anderen Spalte basieren.
Score Matchbox Recommender (Matchbox Recommender bewerten) Wertet Vorhersagen für ein Dataset mithilfe des Matchbox-Empfehlungsers aus.
Score Model (Modell bewerten) Wertet Vorhersagen für ein trainiertes Klassifizierungs- oder Regressionsmodell aus.
Bewerten des Vowpal Wabbit 7–4-Modells Wertet Daten mithilfe des Vowpal Wabbit-Machine Learning-Systems ab.

Erfordert ein trainiertes Modell, das mithilfe der Vowpal Wabbit-Versionen 7-4 und 7-6 erstellt wurde.
Bewerten des Vowpal Wabbit 7–10-Modells Wertet Daten mithilfe des Vowpal Wabbit-Machine Learning-Systems ab.

Erfordert ein trainiertes Modell, das mit Vowpal Wabbit Version 7-10 erstellt wurde.
Bewerten des Vowpal Wabbit 8-Modells Wertet Daten mithilfe des Vowpal Wabbit-Machine Learning-Systems über die Befehlszeilenschnittstelle aus.

Erfordert ein trainiertes Modell, das mit Vowpal Wabbit Version 8 erstellt wurde.
Auswählen von Spalten im Dataset Wählt Spalten aus, die in ein Dataset in einem Vorgang ein- oder ausgeschlossen werden sollen.
SMOTE Erhöht die Anzahl von Beispielen mit geringem Anteil in einem Dataset, indem synthetische Minderheitsübersampling verwendet wird.
Aufteilen von Daten Partitioniert die Zeilen eines Datasets in zwei unterschiedliche Sätze.
Zusammenfassen von Daten Generiert einen grundlegenden beschreibenden Statistikbericht für die Spalten in einem Dataset.
Bereinigungs-Clustering (Sweep) Führt einen Parameter-Sweep für ein Clusteringmodell aus, um die optimalen Parametereinstellungen zu bestimmen.
Testhypothese mit T-Test Vergleicht die Mittel aus zwei Datasets mithilfe eines t-tests.
Schwellenwertfilter Erstellt einen Schwellenwertfilter, der Werte einschränkt.
Time Series Anomaly Detection (Anomalieerkennung in Zeitreihen) Lernt einen Trend in Zeitreihendaten und verwendet diesen dann, um Anomalien zu erkennen.
Train Anomaly Detection Model (Anomalieerkennungsmodell trainieren) Trainiert ein Anomalieerkennungsmodell und beschriftet dann Daten aus dem Trainingssatz.
Trainieren des Clusteringmodells Trainiert ein Clusteringmodell und weist dann Clustern Daten aus dem Trainingssatz zu.
Train Matchbox Recommender (Matchbox Recommender trainieren) Trainiert eine Bayes-Empfehlung mithilfe des Matchbox-Algorithmus.
Train Model (Modell trainieren) Trainiert ein Klassifizierungs- oder Regressionsmodell auf überwachte Weise.
Trainieren des Vowpal Wabbit 7-4-Modells Trainiert ein Modell aus dem Vowpal Wabbit-Machine Learning-System.

Dieses Modul dient zur Kompatibilität mit den Vowpal Wabbit-Versionen 7-4 und 7-6.
Trainieren des Vowpal Wabbit 7-10-Modells Trainiert ein Modell aus dem Vowpal Wabbit-Machine Learning-System.

Dieses Modul ist für Vowpal Wabbit Version 7-10 vorgesehen.
Trainieren des Vowpal Wabbit 8-Modells Trainiert ein Modell mit Version 8 des Machine Learning-Systems von Vowpal Wabbit.

Dieses Modul ist für Vowpal Wabbit Version 8 vorgesehen.
Tune Model Hyperparameters Führt einen Parameter sweep für ein Regressions- oder Klassifizierungsmodell aus, um die optimalen Parametereinstellungen zu bestimmen.
Gemitteltes Perzeptron mit zwei Klassen Erstellt ein gemittelte binäres Perzepronklassifizierungsmodell.
Two-Class Bayes Point Machine Erstellt ein Binärklassifizierungsmodell für Bayes-Punktcomputer.
Verstärkter Entscheidungsbaum mit zwei Klassen Erstellt einen binären Klassifizierer mithilfe eines Boosted Decision Tree-Algorithmus.
Entscheidungswald mit zwei Klassen Erstellt ein Klassifizierungsmodell mit zwei Klassen mithilfe des Entscheidungswaldalgorithmus.
Two-Class Decision Jungle Erstellt ein Klassifizierungsmodell mit zwei Klassen mithilfe des Entscheidungsalgorithmus.
Zweiklassige Locally-Deep Support Vector Machine Erstellt ein binäres Klassifizierungsmodell mit dem Computeralgorithmus für lokal tiefe Unterstützungsvektoren.
Logistische Regression mit zwei Klassen Erstellt ein logistisches Regressionsmodell mit zwei Klassen.
Zweiklassiges neuronales Netzwerk Erstellt einen binären Klassifizierer mithilfe eines neuronalen Netzwerkalgorithmus.
Zweiklassige Support Vector Machine Erstellt ein binäres Klassifizierungsmodell mithilfe des Algorithmus für den Unterstützungsvektorcomputer.
Entpacken von gezippten Datasets Entpackt Datasets aus einem .zip-Paket im Benutzerspeicher.
User-Defined Filter Erstellt einen benutzerdefinierten Filter für endliche oder unendliche Antwortantworten.

Siehe auch