Machine Learning : Modell initialisieren

  • 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.

In diesem Artikel werden die Module in Machine Learning Studio (klassisch) beschrieben, mit denen Sie ein Machine Learning-Modell definieren und dessen Parameter festlegen können.

Hinweis

Gilt nur für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Sie können sich das untrainierte Modell als Spezifikation vorstellen, die Sie auf verschiedene Eingabedatasets anwenden können. Sie können die gleiche Modellspezifikation auf verschiedene Daten anwenden und unterschiedliche Ergebnisse erhalten. Alternativ können Sie die Spezifikation verwenden, um ein Modell erneut zu trainieren. Anschließend können Sie neue Daten hinzufügen.

In diesem Artikel wird auch der allgemeine Prozess zum Erstellen, Trainieren, Auswerten und Bewerten eines Modells in Machine Learning Studio (klassisch) beschrieben.

Erstellen und Verwenden von Machine Learning-Modellen in Machine Learning Studio (klassisch)

Der typische Workflow für maschinelles Lernen umfasst diese Phasen:

  • Wählen Sie einen geeigneten Algorithmus aus, und legen Sie anfängliche Optionen fest.
  • Trainieren Sie das Modell mit kompatiblen Daten.
  • Erstellen Sie Vorhersagen, indem Sie neue Daten basierend auf den Mustern im Modell verwenden.
  • Werten Sie das Modell aus, um zu bestimmen, ob die Vorhersagen genau sind, die Fehlermenge und ob eine Überanpassung auftritt.

Machine Learning Studio (klassisch) unterstützt ein flexibles, anpassbares Framework für maschinelles Lernen. Jede Aufgabe in diesem Prozess wird von einem bestimmten Modultyp ausgeführt. Module können geändert, hinzugefügt oder entfernt werden, ohne den Rest Ihres Experiments zu verändern.

Verwenden Sie die Module in dieser Kategorie, um einen anfänglichen Algorithmus auszuwählen. Konfigurieren Sie dann detaillierte Parameter basierend auf dem spezifischen Modelltyp. Anschließend können Sie diese Modellspezifikation auf einen Satz von Daten anwenden.

Informationen zum Erstellen von Modellen

Machine Learning bietet viele moderne Machine Learning-Algorithmen, die Sie beim Erstellen analytischer Modelle unterstützen. Jeder Algorithmus ist in einem eigenen Modul gepackt. So erstellen Sie ein benutzerdefiniertes Modell:

  1. Wählen Sie ein Modell nach Kategorie aus.

    Algorithmen werden nach bestimmten Typen von Vorhersageaufgaben gruppiert. Beispiele hierfür sind Regression, Klassifizierung und Bilderkennung. Ihre erste Aufgabe besteht darin, die allgemeine Kategorie der auszuführenden Machine Learning-Aufgabe zu identifizieren und dann einen Algorithmus auszuwählen.

  2. Konfigurieren sie Algorithmusparameter.

    Verwenden Sie den Bereich Eigenschaften in jedem Modul, um Parameter festzulegen. Parameter steuern, wie das Modell aus Daten lernt.

  3. Trainieren des Modells anhand von Daten.

    Nachdem Sie das Modell konfiguriert haben, verbinden Sie ein Dataset. Verwenden Sie dann eines der Trainingsmodule , um Daten durch die Algorithmen auszuführen, die Sie verwenden möchten.

    Sie können Tune Model Hyperparameters verwenden, um alle möglichen Parameter zu iterieren und die optimale Konfiguration für Ihre Aufgabe und Daten zu bestimmen.

  4. Vorhersagen, Bewerten oder Auswerten.

    Nachdem Sie ein Modell erstellt und trainiert haben, besteht der nächste Schritt normalerweise darin, eines der Bewertungsmodule zu verwenden, um Vorhersagen basierend auf dem Modell zu generieren.

    Sie können die Module für die Modellauswertung verwenden, um die Genauigkeit des Modells basierend auf den von Ihnen generierten Bewertungen zu messen.

Liste der Module

Die Module in dieser Kategorie sind nach dem Typ des Machine Learning-Algorithmus organisiert, den die Module kapseln. Jeder Algorithmustyp erfordert in der Regel einen anderen Datentyp.

Zusätzlich zu den hier beschriebenen herkömmlichen Machine Learning-Algorithmuskategorien bieten die folgenden Module spezielle Lerntypen aus Daten oder Vorverarbeitung:

Siehe auch