Besorolási modulok
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Ez a cikk a Machine Learning Studio (klasszikus) moduljait ismerteti, amelyek támogatják a besorolási modellek létrehozását. Ezekkel a modulokkal bináris vagy többosztályos besorolási modelleket építhet.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A besorolásról
A besorolás egy olyan gépi tanulási módszer, amely adatok használatával határozza meg egy elem vagy adatsor kategóriáját, típusát vagy osztályát. A besorolást például a következőre használhatja:
- E-mail-szűrők besorolása levélszemétként, levélszemétként vagy jóként.
- Állapítsa meg, hogy egy páciens labormintája rákrák-e.
- Kategorizálja az ügyfeleket az értékesítési kampányra való válaszadásra való hajlandóságuk alapján.
- Azonosítsa a hangulatokat pozitívként vagy negatívként.
A besorolási feladatokat gyakran az alapján rendezik, hogy a besorolás bináris (A vagy B) vagy többosztályos (több kategória, amely egyetlen modell használatával előrejelezhető).
Besorolási modell létrehozása
Besorolási modell vagy osztályozó létrehozásához először válasszon ki egy megfelelő algoritmust. Vegye figyelembe a következő tényezőket:
- Hány osztályt vagy különböző eredményt szeretne előrejelezni?
- Mi az adatok eloszlása?
- Mennyi időt tud hagyni a betanításra?
Machine Learning Studio (klasszikus) több besorolási algoritmust is biztosít. Ha a One-Vs-All algoritmust használja, bináris osztályozót is alkalmazhat egy többosztályos problémára.
Miután választott egy algoritmust, és beállította a paramétereket az ebben a szakaszban található modulokkal, betanítja a modellt címkézett adatokon. A besorolás felügyelt gépi tanulási módszer. Ehhez mindig címkével jelölt betanításadatokra van szükség.
A betanítás befejezése után kiértékelheti és finomhangolhatja a modellt. Ha elégedett a modellel, használja a betanított modellt az új adatok pontozására.
Modulok listája
A Besorolás kategória a következő modulokat tartalmazza:
- Többosztályos döntési erdő: Többosztályos besorolási modellt hoz létre a döntési erdő algoritmusával.
- Többosztályos döntési modell: Többosztályos besorolási modellt hoz létre a döntési algoritmussal.
- Többosztályos logisztikai regresszió: Többosztályos logisztikai regressziós besorolási modellt hoz létre.
- Többosztályos neurális hálózat: Többosztályos besorolási modellt hoz létre egy neurális hálózati algoritmussal.
- One-vs-All Multiclass: Többosztályos besorolási modellt hoz létre bináris besorolási modellek együttese alapján.
- Kétosztályos átlagolási perceptron: Egy átlagos perceptron bináris besorolási modellt hoz létre.
- Kétosztályos Bayes Point Machine: Létrehoz egy Bayes-pont gép bináris besorolási modelljét.
- Kétosztályos, megnövelt döntési fa: Bináris osztályozót hoz létre egy megnövelt döntésifa-algoritmussal.
- Kétosztályos döntési erdő: Kétosztályos besorolási modellt hoz létre a döntési erdő algoritmusával.
- Kétosztályos döntési modell: Kétosztályos besorolási modellt hoz létre a döntési algoritmussal.
- Kétosztályos helyi mély támogató vektorgép: Bináris besorolási modellt hoz létre a helyi mély támogató vektorgép-algoritmussal.
- Kétosztályos logisztikai regresszió: Kétosztályos logisztikai regressziós modellt hoz létre.
- Kétosztályos neurális hálózat: Bináris osztályozót hoz létre egy neurális hálózati algoritmussal.
- Kétosztályos támogató vektorgép: Bináris besorolási modellt hoz létre a támogatóvektor-gép algoritmusával.
Példák
A besorolás gyakorlati példáiért lásd a Azure AI Gallery.
Az algoritmusok kiválasztásával kapcsolatos segítségért tekintse meg az alábbi cikkeket:
Gépi tanulási algoritmusok adatlapja Machine Learning
Grafikus döntési diagramot biztosít, amely végigvezeti a kiválasztási folyamaton.
Válasszon Machine Learning algoritmusokat a fürtözéshez, besoroláshoz vagy regresszióhoz
Részletesebben ismerteti a gépi tanulási algoritmusok különböző típusait és azok használatával együtt.