Modules de classification
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
cet article décrit les modules de Machine Learning Studio (classic) qui prennent en charge la création de modèles de classification. Vous pouvez utiliser ces modules pour créer des modèles de classification binaires ou multiclasses.
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
À propos de la classification
La classification est une méthode Machine Learning qui utilise des données pour déterminer la catégorie, le type ou la classe d’un élément ou d’une ligne de données. Par exemple, vous pouvez utiliser la classification pour :
- Classer les filtres d’e-mail comme spam, courrier indésirable ou bon.
- Déterminer si l’échantillon de laboratoire d’un patient est cancéreux.
- Classer des clients selon leur tendance à répondre à une campagne commerciale.
- Identifier un sentiment positif ou négatif.
Les tâches de classification sont souvent organisées selon qu’une classification est binaire (A ou B) ou multiclasse (plusieurs catégories qui peuvent être prédites à l’aide d’un modèle unique).
Créer un modèle de classification
Pour créer un modèle de classification, ou classifieur, commencez par sélectionner un algorithme approprié. Tenez compte de ces facteurs :
- Combien de classes ou de résultats différents souhaitez-vous prédire ?
- Quelle est la distribution des données ?
- Combien de temps pouvez-vous autoriser pour l’apprentissage ?
Machine Learning Studio (classic) fournit plusieurs algorithmes de classification. Lorsque vous utilisez l’algorithme One-vs-All , vous pouvez même appliquer un classifieur binaire à un problème de multiclasse.
Une fois que vous avez choisi un algorithme et défini les paramètres à l’aide des modules de cette section, vous devez effectuer l’apprentissage du modèle sur des données étiquetées. La classification est une méthode de Machine Learning supervisée. Elle requiert toujours des données d’apprentissage étiquetées.
Une fois l’apprentissage terminé, vous pouvez évaluer et ajuster le modèle. Lorsque vous êtes satisfait du modèle, utilisez le modèle formé pour la notation avec les nouvelles données.
Liste des modules
La catégorie classification comprend les modules suivants :
- Forêt de décision multiclasse: crée un modèle de classification multiclasse à l’aide de l’algorithme de la forêt de décision.
- Jungle Decision multiclasse: crée un modèle de classification multiclasse à l’aide de l’algorithme jungle de décision.
- Régression logistique multiclasse: crée un modèle de classification de régression logistique multiclasse.
- Réseau neuronal multiclasse: crée un modèle de classification multiclasse à l’aide d’un algorithme de réseau neuronal.
- One-vs-All multiCLASS: crée un modèle de classification multiclasse à partir d’un ensemble de modèles de classification binaire.
- Perceptron moyenne à deux classes: crée un modèle de classification binaire Perceptron moyen.
- Machine à points de Bayes à deux classes: crée un modèle de classification binaire d’ordinateur Bayes point.
- Arbre de décision optimisé à deux classes: crée un classifieur binaire à l’aide d’un algorithme d’arbre de décision optimisé.
- Forêt de décision à deux classes: crée un modèle de classification à deux classes à l’aide de l’algorithme de la forêt de décision.
- Jungle de décision à deux classes: crée un modèle de classification à deux classes à l’aide de l’algorithme de jungle de décision.
- Machine à vecteurs de support de profondeur locale à deux classes: crée un modèle de classification binaire à l’aide de l’algorithme de machine à vecteurs de support profond.
- Régression logistique à deux classes: crée un modèle de régression logistique à deux classes.
- Réseau neuronal à deux classes: crée un classifieur binaire à l’aide d’un algorithme de réseau neuronal.
- Machine à vecteurs de support à deux classes: crée un modèle de classification binaire à l’aide de l’algorithme de machine à vecteurs de support.
Exemples
Pour obtenir des exemples de classification en action, reportez-vous à la Azure ai Gallery.
Pour obtenir de l’aide sur le choix d’un algorithme, consultez les articles suivants :
Aide-mémoire sur les algorithmes d’apprentissage automatique pour Machine Learning
Fournit un graphique de décision graphique pour vous guider tout au long du processus de sélection.
choisir des algorithmes de Machine Learning pour le clustering, la classification ou la régression
Explique plus en détail les différents types d’algorithmes de Machine Learning et la manière dont ils sont utilisés.