Az Azure Machine Tanulás tervezőjének algoritmus- és összetevő-referenciája
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
Megjegyzés:
Tervező kétféle összetevőt támogat, a klasszikus előre összeállított összetevőket és az egyéni összetevőket. Ez a két összetevőtípus nem kompatibilis.
A klasszikus előre összeállított összetevők elsősorban az adatfeldolgozáshoz és a hagyományos gépi tanulási feladatokhoz, például a regresszióhoz és a besoroláshoz biztosítanak előre összeállított összetevőket. Ez az összetevőtípus továbbra is támogatott marad, de nem lesznek új összetevők hozzáadva.
Az egyéni összetevők lehetővé teszik, hogy saját kódot adjon meg összetevőként. Támogatja a munkaterületek közötti megosztást és a zökkenőmentes szerkesztést a Studio, a parancssori felület és az SDK felületei esetében.
Ez a cikk a klasszikus előre összeállított összetevőkre vonatkozik.
Ez a referenciatartalom biztosítja az Azure Machine Tanulás tervezőjében elérhető összes klasszikus előre összeállított összetevő technikai hátterét.
Minden összetevő olyan kódkészletet jelöl, amely önállóan futtatható és gépi tanulási feladatot hajthat végre a szükséges bemenetek alapján. Az összetevők tartalmazhatnak egy adott algoritmust, vagy végrehajthatnak egy, a gépi tanulás szempontjából fontos feladatot, például hiányzó értékcserét vagy statisztikai elemzést.
Az algoritmusok kiválasztásával kapcsolatos segítségért lásd:
Tipp.
A tervező bármely folyamatában információt kaphat egy adott összetevőről. Válassza a További információ hivatkozást az összetevő kártyáján, amikor az összetevőre mutat az összetevő listában vagy az összetevő jobb oldali ablaktábláján.
Adat-előkészítési összetevők
Functionality | Leírás | Összetevő |
---|---|---|
Adatbemenetek és -kimenetek | Adatok áthelyezése felhőforrásokból a folyamatba. Az eredmények vagy köztes adatok írása az Azure Storage-ba vagy az SQL Database-be folyamat futtatása közben, vagy felhőbeli tároló használata az adatok folyamatok közötti cseréjéhez. | Adatok manuális megadása Adatok exportálása Adatok importálása |
Adatátalakítás | A gépi tanulásra jellemző adatokon végzett műveletek, például az adatok normalizálása vagy binozása, a dimenziócsökkentés és az adatok különböző fájlformátumok közötti konvertálása. | Oszlopok hozzáadása Sorok hozzáadása Matematikai művelet alkalmazása SQL-átalakítás alkalmazása Hiányzó adatok törlése Clip Values Konvertálás CSV-vé Konvertálás adatkészletté Konvertálás mutatóértékekké Metaadatok szerkesztése Adatok csoportosítása tárolókba Adatok csatlakoztatása Adatok normalizálása Partíció és minta Ismétlődő sorok eltávolítása SMOTE Oszlopok átalakítása kiválasztása Oszlopok kijelölése az adathalmazban Adatok felosztása |
Szolgáltatás kiválasztása | Válassza ki az elemzési modell létrehozásához használandó releváns, hasznos funkciók egy részhalmazát. | Szűrőalapú funkció kiválasztása A permutációs funkció fontossága |
Statisztikai függvények | Az adatelemzéshez kapcsolódó statisztikai módszerek széles skáláját kínálja. | Adatok összegzése |
Gépi tanulási algoritmusok
Functionality | Leírás | Összetevő |
---|---|---|
Regresszió | Érték előrejelzése. | Megnövelt döntési fa regressziója Döntési erdő regressziója Fast Forest Quantile Regresszió Lineáris regresszió Neurális hálózati regresszió Poisson-regresszió |
Fürtözés | Csoportosítsa az adatokat. | K-means fürtözés |
Classification | Osztály előrejelzése. Bináris (kétosztályos) vagy többosztályos algoritmusok közül választhat. | Többosztályos emelt döntési fa Többosztályos döntési erdő Többosztályos logisztikai regresszió Többosztályos neurális hálózat Egy és minden többosztályos Egy és egy többosztályos Kétosztályos átlagolt perceptron Kétosztályos emelt szintű döntési fa Kétosztályos döntési erdő Kétosztályos logisztikai regresszió Kétosztályos neurális hálózat Kétosztályos támogatási vektorgép |
Összetevők modellek készítéséhez és kiértékeléséhez
Webszolgáltatás
Ismerje meg a webszolgáltatás összetevőit, amelyek az Azure Machine Tanulás tervezőjében való valós idejű következtetéshez szükségesek.
Hibaüzenetek
Ismerje meg azOkat a hibaüzeneteket és kivételkódokat, amelyekkel az Azure Machine Tanulás tervezőjében összetevők használatával találkozhat.
Összetevők környezete
A tervező összes beépített összetevőjének végrehajtása a Microsoft által biztosított rögzített környezetben történik.
Korábban ez a környezet a Python 3.6-on alapult, mára azonban a Python 3.8-ra lett frissítve. Ez a frissítés átlátható, mivel az összetevők automatikusan futni fognak a Python 3.8-környezetben, és a frissítés nem igényel beavatkozást a felhasználó részéről. A környezeti frissítés hatással lehet az összetevők kimeneteire és a valós idejű végpont valós idejű következtetésből történő üzembe helyezésére. További információt az alábbi szakaszokban talál.
Az összetevők kimenetei eltérnek a korábbi eredményektől
A Python-verzió 3.6-ról 3.8-ra való frissítése után a beépített összetevők függőségei is ennek megfelelően frissíthetők. Ezért előfordulhat, hogy egyes összetevők kimenetei eltérnek a korábbi eredményektől.
Ha a Python-szkript végrehajtása összetevőt használja, és korábban már telepítette a Python 3.6-hoz kapcsolódó csomagokat, a következő hibákba ütközhet:
- "Nem található olyan verzió, amely megfelel a követelménynek."
- "Nem található egyező eloszlás." Ezután meg kell adnia a Python 3.8-hoz igazított csomagverziót, és újra le kell futtatnia a folyamatot.
Valós idejű végpont üzembe helyezése valós idejű következtetési folyamatból
Ha egy korábbi befejezett valós idejű következtetési folyamatból közvetlenül telepít valós idejű végpontot, az hibákba ütközhet.
Javaslat: klónozza a következtetési folyamatot, majd küldje el újra, majd helyezze üzembe a valós idejű végponton.