Bayessche lineare Regression

Erstellt ein Bayessches lineares Regressionsmodell

Kategorie: Machine Learning/Modell/Regression initialisieren

Hinweis

Gilt für: Machine Learning Studio (klassisch)

Dieser Inhalt bezieht sich nur auf Studio (klassisch). Ähnliche Drag & Drop-Module wurden Azure Machine Learning-Designer hinzugefügt. Weitere Informationen finden Sie in diesem Artikel zum Vergleich der beiden Versionen.

Modulübersicht

In diesem Artikel wird beschrieben, wie das Bayes Linear Regression -Modul in Azure Machine Learning Studio (klassisch) verwendet wird, um ein Regressionsmodell basierend auf bayesschen Statistiken zu definieren.

Nachdem Sie die Modellparameter definiert haben, müssen Sie das Modell mithilfe eines markierten Datasets und des Moduls Train Model trainieren. Das trainierte Modell kann danach verwendet werden, um Vorhersagen zu treffen. Alternativ kann das untrainierte Modell für die Kreuz Validierung anhand eines bezeichneten Datasets an das Cross-Validate-Modell übermittelt werden.

Weitere Informationen zur bayesschen Regression

Innerhalb der Statistik wird der Bayessche Ansatz häufig dem Ansatz der Frequentisten gegenübergestellt.

Der Bayessche Ansatz verwendet die lineare Regression ergänzt durch zusätzliche Informationen in Form einer vorherigen Wahrscheinlichkeitsverteilung. Vorherige Informationen zu den Parametern werden mit einer Wahrscheinlichkeitsfunktion kombiniert, um Schätzungen für die Parameter zu generieren.

Im Gegensatz dazu setzt der Ansatz der Frequentisten, dargestellt durch eine standardmäßige lineare Regression der kleinsten Quadrate, voraus, dass die Daten ausreichend Messungen zum Erstellen eines sinnvollen Modells enthalten.

Weitere Informationen zur Untersuchung dieses Algorithmus finden Sie unter den Links im Abschnitt " Technische Hinweise ".

Vorgehensweise beim Konfigurieren der bayesschen Regression

  1. Fügen Sie Ihrem Experiment das bayyesian Linear Regression -Modul hinzu. Sie finden dieses Modul unter Machine Learning, Initialize in der Kategorie Regression .

  2. Regularisierungsgewichtung: Geben Sie einen für die Regularisierung zu verwendenden Wert ein. Regularisation wird verwendet, um Überanpassung zu vermeiden. Diese Gewichtung entspricht L2. Weitere Informationen finden Sie im Abschnitt Technische Hinweise .

  3. Unbekannte kategorische Ebenen zulassen: Wählen Sie diese Option aus, um eine Gruppierung für unbekannte Werte zu erstellen. Das Modell kann nur die Werte akzeptieren, die in den Trainingsdaten enthalten sind. Das Modell ist möglicherweise weniger präzise für bekannte Werte, bietet jedoch bessere Vorhersagen für neue (unbekannte) Werte.

  4. Verbinden Sie ein Trainings Dataset und eines der Trainingsmodule. Dieser Modelltyp verfügt über keine Parameter, die in einem Parameter Sweep geändert werden können. Sie können das Modell zwar mit Tune Model hyperparameterstrainieren, aber das Modell kann nicht automatisch optimiert werden.

  5. Wählen Sie die einzelne numerische Spalte aus, die Sie modellieren oder vorhersagen möchten.

  6. Führen Sie das Experiment aus.

Ergebnisse

Nach Abschluss des Trainings:

  • Um eine Zusammenfassung der Parameter des Modells anzuzeigen, klicken Sie mit der rechten Maustaste auf die Ausgabe des Moduls Train Model , und wählen Sie visualisieren aus.
  • Verwenden Sie zum Erstellen von Vorhersagen das trainierte Modell als Eingabe, um das Modell zu bewerten.

Beispiele

Beispiele für Regressionsmodelle finden Sie in der Azure AI Gallery.

Technische Hinweise

Modulparameter

Name Range type Standard Beschreibung
Regularization weight >=double.Epsilon Float 1.0 Geben Sie eine Konstante zur Verwendung für die Regularisierung ein. Die Konstante stellt das Verhältnis zwischen der Gewichtungsgenauigkeit und Störungsgenauigkeit dar.
Allow unknown categorical levels Any Boolean true Bei "true" wird eine zusätzliche Ebene für jede Kategoriespalte erstellt. Alle Ebenen im Testdataset, die nicht im Trainingsdataset zur Verfügung stehen, werden dieser zusätzlichen Ebene zugeordnet.

Ausgaben

Name type BESCHREIBUNG
Untrainiertes Modell ILearner-Schnittstelle Ein untrainiertes Bayessches lineares Regressionsmodell

Weitere Informationen

A-Z-Modulliste
Regression