Aplicación de la transformación

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

• Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
• Más información sobre Azure Machine Learning.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Aplica una transformación de datos correctamente especificados a un conjunto de datos.

Categoría: Machine Learning/ Puntuación

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo Aplicar transformación en Machine Learning Studio (clásico) para modificar un conjunto de datos de entrada basado en una transformación calculada previamente.

Por ejemplo, si usa puntuaciones z para normalizar los datos de aprendizaje utilizando el nódulo Normalizar datos, tendrá que usar el valor de puntuación z que se calculó para el aprendizaje durante la fase de puntuación. En Machine Learning Studio (clásico), puede hacerlo fácilmente guardando el método de normalización como una transformación y, a continuación, usando Aplicar transformación para aplicar la puntuación z a los datos de entrada antes de la puntuación.

Machine Learning Studio (clásico) proporciona compatibilidad para crear y aplicar muchos tipos diferentes de transformaciones personalizadas. Por ejemplo, es posible que desee guardar y volver a usar las transformaciones que hacen lo siguiente:

• Quitar o reemplazar los valores que faltan usando Limpiar los datos que faltan.

• Bin, scale, and normalize data, using Normalize Data or Group Data into Bins

• Cree un conjunto de características compactas mediante el cálculo de la distribución de probabilidad conjunta para un conjunto de datos, utilizando el Learning con módulos Recuentos.

Cómo se usa Aplicar transformación

1. Agregue el módulo Aplicar transformación al experimento. Puede encontrar el módulo de ni en Machine Learning, en la categoría Puntuación.

2. Busque una transformación existente para usarla como entrada.

   Si la transformación se creó anteriormente en el experimento (por ejemplo, como parte de una operación de limpieza o escalado de datos), normalmente el objeto de interfaz ITransform está disponible en la salida derecha del módulo. Conectar salida a la entrada izquierda de Aplicar transformación.

   Las transformaciones guardadas anteriormente se pueden encontrar en el grupo Transformaciones del panel de navegación izquierdo.

   Sugerencia

   Si diseña una transformación para un experimento pero no la guarda explícitamente, la transformación estará disponible en el área de trabajo siempre que la sesión esté abierta. Si cierra la sesión pero no guarda la transformación, puede volver a ejecutar el experimento para generar el objeto de interfaz ITransform .

3. Conecte el conjunto de datos que quiera transformar. El conjunto de datos debe tener exactamente el mismo esquema (número de columnas, nombres de columna, tipos de datos) que el conjunto de datos para el que la transformación se ha diseñó inicialmente.

4. No es necesario establecer otros parámetros; todas las personalizaciones se realizan al definir la transformación.

5. Para aplicar una transformación al nuevo conjunto de datos, ejecute el experimento.

Ejemplos

Para ver cómo se usa este módulo en el aprendizaje automático, consulte el Azure AI Gallery:

• Detección de fraudes en línea: en este ejemplo se muestra cómo usar Aplicar transformación con Limpiar datos que faltan para asegurarse de que los valores que faltan se administran igual en todos los conjuntos de datos.

• Mantenimiento predictivo: muestra cómo usar Aplicar transformación con Normalizar datos.

• Learning con recuentos: usa Aplicar transformación para reutilizar una tabla de recuento.

Notas técnicas

El módulo Aplicar transformación puede tomar como entrada la salida de cualquier módulo que cree una interfaz ITransform. Entre estos módulos se incluyen:

• Clean Missing Data (limpiar datos faltantes)

• Normalize Data (normalizar datos)

• Agrupación de datos en intervalos

• Aprendizaje con recuentos

Sugerencia

También puede guardar y volver a usar filtros diseñados para el procesamiento de señales digitales. Sin embargo, los filtros usan la interfaz IFilter , en lugar de la interfaz ITransform.

Entradas esperadas

Nombre	Tipo	Descripción
Transformación	Interfaz ITransform	Una transformación de datos unitaria
Dataset	Tabla de datos	Conjunto de datos que se desea transformar

Salidas

Nombre	Tipo	Descripción
Conjunto de datos transformado	Tabla de datos	Conjunto de datos transformado

Excepciones

Excepción	Descripción
Error 0003	Se produce una excepción si una o varias de las entradas son NULL o están vacías.

Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.

Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.

Consulte también

Filter
Aplicación de transformaciones de SQL
Clean Missing Data (limpiar datos faltantes)
Normalize Data (normalizar datos)
Lista de módulos A-Z
Agrupación de datos en intervalos