Median Filter
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.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
Erstellt einen Medianfilter zum Glätten von Daten für Trendanalysen
Kategorie: Datentransformation / Filter
Hinweis
Giltnur für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
Modulübersicht
In diesem Artikel wird beschrieben, wie Sie das Median-Filtermodul in Machine Learning Studio (klassisch) verwenden, um einen Medianfilter für die Anwendung auf eine Reihe von Werten zu definieren, die ein digitales Eingabesignal oder Bild darstellen.
Medianfilter werden verbreitet in der Bilderkennung verwendet, um Bildrauschen zu reduzieren, sodass Merkmale leichter erkannt werden können.
Hinweis
Ein Filter ist eine Übertragungsfunktion, die ein Eingabesignal verwendet und ein Ausgabesignal basierend auf den Filtereigenschaften erstellt. In der digitalen Signalverarbeitung kann die Verwendung von Filtern die Ergebnisse der Bild- oder Spracherkennung verbessern. Weitere Informationen finden Sie unter "Filter".
Nachdem Sie eine Filtertransformation definiert haben, die Ihren Anforderungen mithilfe des Median-Filtermoduls entspricht, können Sie den Filter auf Daten anwenden, indem Sie ein Dataset und den Filter mit dem Modul " Filter anwenden" verbinden.
Tipp
Müssen Sie Daten aus einem Dataset filtern oder fehlende Werte entfernen? Verwenden Sie stattdessen diese Module:
- Fehlende Daten bereinigen: Verwenden Sie dieses Modul, um fehlende Werte zu entfernen oder fehlende Werte durch Platzhalter zu ersetzen.
- Partition und Beispiel: Verwenden Sie dieses Modul, um Ihr Dataset nach Kriterien wie einem Datumsbereich, einem bestimmten Wert oder regulären Ausdrücken zu dividieren oder zu filtern.
- Clip Values: Verwenden Sie dieses Modul, um einen Bereich festzulegen und nur die Werte innerhalb dieses Bereichs beizubehalten.
Konfigurieren des Medianfilters
Fügen Sie ihrem Experiment den Medianfilter hinzu. Dieses Modul finden Sie unter "Datentransformation" in der Kategorie "Filter ".
Geben Sie für "Länge" einen ganzzahligen Wert ein, der die Gesamtgröße des Fensters definiert, über das der Filter angewendet wird. Dies wird auch als Filtermaske bezeichnet.
Der Wert sollte eine ungerade, positive ganze Zahl sein. Wenn Sie eine gerade Zahl angeben, wird die Maskengröße um eins verringert.
Standardmäßig beginnt die Maske am aktuellen Wert und erstellt ein Fenster, das auf dem aktuellen Wert zentriert ist.
Wenn Sie z. B. 5 als Länge oder Fenstergröße eingeben, wird der Medianwert über ein gleitendes Fenster berechnet, das aus 5 Werten besteht, die auf dem aktuellen Wert zentriert sind. Wenn Sie 4 eingeben, wird die Maske auf 3 Werte reduziert, zentriert auf den Indexwert.
Verbinden den Filter zum Anwenden von Filter und verbinden Sie ein Dataset.
Verwenden Sie die Spaltenauswahl, um anzugeben, auf welche Spalten des Datasets der Filter angewendet werden soll. Standardmäßig verwendet das Modul "Filter anwenden" den Filter für alle ausgewählten numerischen Spalten.
Führen Sie das Experiment aus. Die folgenden Vorgänge werden auf die ausgewählten Spalten angewendet:
- Für jede Gruppe von Werten, die im Fenster oder der Maske enthalten sind, berechnet der Filteralgorithmus den Median.
- Der aktuelle (oder Index-) Wert wird durch den Medianwert ersetzt.
Beispiele
Beispiele für die Verwendung von Filtern im Maschinellen Lernen finden Sie in diesem Experiment im Azure AI-Katalog:
- Filter: In diesem Experiment werden alle Filtertypen mit einem technischen Waveform-Dataset veranschaulicht.
Technische Hinweise
Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.
Details zur Implementierung
Jede Eingabe im Ausgangssignal entspricht dem Median der Eingaben in einer Teilmenge (Maske) des Eingangssignals, zentriert am entsprechenden Index. Die Maskengröße sollte eine ungerade, positive ganze Zahl sein.
Wenn Sie diese Methode mit einer Maskengröße bereitstellen, die einen geraden Wert aufweist, wird dieser um eins reduziert. Der Filter wird beispielsweise m=2q+1wie folgt definiert: yi = median[{xi-q,…, xi+q}]
Werte, die über die Grenzen des Eingabesignals hinausgehen, werden angenommen, um den Wert an der Grenze zu entsprechen. Das heißt, wenn n die Länge des Eingabesignals ist:
Weitere Informationen zu Medianfiltern finden Sie im folgenden Wikipedia-Artikel mit einer guten Erklärung zu Theorie und Anwendung:
Modulparameter
| Name | Range | type | Standard | BESCHREIBUNG |
|---|---|---|---|---|
| Länge | >=1 | Integer | 5 | Länge des Filterfensters |
Output
| Name | type | BESCHREIBUNG |
|---|---|---|
| Filtern | IFilter-Schnittstelle | Filterimplementierung |