Modell betanítása

Besorolási vagy regressziós modell bevonata felügyelt módon

Kategória: Machine learning/betanítás

Megjegyzés

Akövetkezőkre vonatkozik: Machine learning Studio (klasszikus)

Ez a tartalom csak a Studióra vonatkozik (klasszikus). Hasonló drag and drop-modulok lettek hozzáadva a Azure Machine Learning Designerhez. Ebben a cikkben további információt talál a két verzió összehasonlításávalkapcsolatban.

Modul áttekintése

Ez a cikk azt ismerteti, hogyan használható a Azure Machine Learning Studio (klasszikus) vonat modell modulja egy besorolási vagy regressziós modell betanításához. A képzés a modell meghatározása és a hozzá tartozó paraméterek beállítása után zajlik, és címkézett adatokra van szükség. A betanítási modell használatával egy meglévő modell újratanítását is elvégezheti új adattal.

A betanítási folyamat működése

Azure Machine Learning a Machine learning-modellek létrehozása és használata általában egy három lépésből álló folyamat.

  1. A modell konfigurálásához válasszon egy adott típusú algoritmust, és határozza meg a paramétereit vagy hiperparaméterek beállítása. Válassza ki a következő típusok bármelyikét:

    • A besorolási modellekneurális hálózatok, Döntési fák és döntési erdők, valamint más algoritmusok alapján.
    • Regressziós modellek, amelyek standard lineáris regressziót tartalmazhatnak, vagy amelyek más algoritmusokat használnak, beleértve a neurális hálózatokat és a Baysian regressziót is.
  2. Adja meg a címkével ellátott adatkészletet, és az algoritmussal kompatibilis adatokat tartalmaz. Kapcsolja össze az adattípust és a modellt a modell betanításához.

    A létrehozott képzések egy adott bináris formátum, a iLearner, amely az adatokból beszerzett statisztikai mintákat foglalja magában. Ezt a formátumot nem lehet közvetlenül módosítani vagy olvasni; a Studióban található többi modul (klasszikus) azonban ezt a betanított modellt is használhatja.

    Megtekintheti a modell tulajdonságait is. További információ: Results (eredmények ) szakasz.

  3. A betanítás befejezése után használja a betanított modellt az egyik pontozási modullal, hogy előrejelzéseket készítsen az új adatmennyiségekről.

Megjegyzés

A speciális gépi tanulási feladatok különböző képzési módszereket igényelnek, a Studio (klasszikus) pedig külön betanítási modulokat biztosít számukra. Például a képfelismerés, a fürtözés és a anomália detction az összes egyéni tanítási módszert alkalmazza. A betanítási modell csak regressziós és besorolási modellekkel használható.

Felügyelt és nem felügyelt képzés

Lehet, hogy hallotta a felügyelt vagy nem felügyelt tanulási feltételeket. Egy besorolási vagy regressziós modell betanítása a betanítási modellel a felügyelt gépi tanulás klasszikus példája. Ez azt jelenti, hogy olyan adatkészletet kell megadnia, amely olyan korábbi adatokat tartalmaz, amelyekből a mintákat tanulni kívánja. Az adatoknak tartalmaznia kell a megjósolni kívánt eredményt (label) és a kapcsolódó tényezőket (változókat) is. A Machine learning-modell eredményeinek megállapításához meg kell határozni azokat a funkciókat, amelyek a legjobban megjósolják az eredményeket.

A betanítási folyamat során az adatgyűjtés eredményei alapján történik, és az algoritmus kibontja a statisztikai mintákat a modell felépítéséhez.

A nem felügyelt tanulás azt jelzi, hogy az eredmény ismeretlen, vagy ha úgy dönt, hogy nem használja az ismert címkéket. A fürtözési algoritmusok például általában nem felügyelt tanulási módszereket alkalmaznak, de használhatnak címkéket, ha vannak ilyenek. Egy másik példa a témakör modellezése a Ldahasználatával. Ezekkel az algoritmusokkal nem használható a Train Model .

Tipp

Új a gépi tanuláshoz? Ez az oktatóanyag végigvezeti az adatgyűjtési folyamaton, az algoritmus konfigurálásán, a képzésen és a modell használatával: az első gépi tanulási kísérlet létrehozása

A Train Model használata

  1. A Azure Machine Learning Studio (klasszikus) területen állítson be egy besorolási modellt vagy egy regressziós modell modelleket.

    Az R-modellhasználatával létrehozott egyéni modellt is betaníthatja.

  2. Adja hozzá a betanítási modell modult a kísérlethez. Ez a modul a Machine learning kategóriában található. Bontsa ki a vonat elemet, majd húzza a Train Model modult a kísérletbe.

  3. A bal oldali bemeneten csatolja a képzetlen üzemmódot. Csatolja a betanítási adatkészletet a betanítási modell jobb oldali bemenetéhez.

    A betanítási adatkészlet címkét tartalmazó oszlopot kell tartalmaznia. A címkék nélküli sorok figyelmen kívül lesznek hagyva.

  4. A label (címke) oszlopban kattintson az oszlop kiválasztásának indítása elemre, és válasszon ki egy olyan oszlopot, amely tartalmazza a modell által betanítható eredményeket.

    • Besorolási problémák esetén a Label oszlopnak kategorikus értékeket vagy különálló értékeket kell tartalmaznia. Néhány példa lehet igen/nem minősítés, a betegség besorolási kódja vagy neve, vagy egy bevételi csoport. Ha nem kategorikus oszlopot választ, a modul a betanítás során hibát ad vissza.

    • A regressziós problémák esetén a Label oszlopnak a válasz változót jelölő numerikus értékeket kell tartalmaznia. Ideális esetben a numerikus adat folyamatos méretezést jelent.

    Ilyen lehet például a kreditek kockázati pontszáma, a merevlemez meghibásodásának tervezett ideje, vagy egy adott napon vagy időpontban a Call Center felé irányuló hívások előre jelzett száma. Ha nem választ egy numerikus oszlopot, hibaüzenetet kaphat.

    • Ha nem határozza meg, hogy melyik címke oszlopot szeretné használni, Azure Machine Learning megpróbálja kikövetkeztetni, hogy melyik a megfelelő címke oszlop az adatkészlet metaadatainak használatával. Ha nem a megfelelő oszlopot választja, a kiválasztó oszlop segítségével javítsa ki.

    Tipp

    Ha problémája van az oszlop Választójának használatával, tekintse meg a tippek az Oszlopok kiválasztása az adatkészletben című cikket. Ismertet néhány gyakori forgatókönyvet és tippet a with Rules és a Name beállítások használatával.

  5. Futtassa a kísérletet. Ha sok adattal rendelkezik, ez hosszabb időt is igénybe vehet.

Eredmények

A modell képzése után:

  • A modell paramétereinek és a szolgáltatás súlyozásának megtekintéséhez kattintson a jobb gombbal a kimenetre, és válassza a Megjelenítés lehetőséget.

  • Ha más kísérletekben szeretné használni a modellt, kattintson a jobb gombbal a modellre, és válassza a modell mentése lehetőséget. Adja meg a modell nevét.

    Ez a modellt olyan pillanatképként menti, amely nem frissül a kísérlet ismételt futtatásával.

  • Ha a modellt az új értékek előrejelzéséhez szeretné használni, akkor a pontszám modell modulhoz kell csatlakoznia, az új bemeneti adatokkal együtt.

Ha olyan típusú modellt kell betanítania, amelyet a Train Model nem támogat, több lehetőség közül választhat:

Példák

Példák arra, hogy miként használják a betanítási modell modult a gépi tanulási kísérletekben: ezek a kísérletek a Azure AI Gallerybantalálhatók:

Várt bemenetek

Név Típus Leírás
Nem betanított modell ILearner felület Nem betanított tanuló
Adathalmaz Adattábla Betanítási adatok

Modul paramétereinek

Name Tartomány Típus Alapértelmezett Leírás
Felirat oszlop bármelyik ColumnSelection A címke vagy eredmény oszlopot tartalmazó oszlop kiválasztása

Kimenetek

Név Típus Leírás
Betanított modell ILearner felület Képzett tanuló

Kivételek

Az összes modul hibájának listáját lásd: modul hibakódok.

Kivétel Leírás
0032-es hiba Kivétel történik, ha az argumentum nem szám.
0033-es hiba Kivétel történik, ha az argumentum végtelen.
0083-es hiba Kivétel történik, ha a képzéshez használt adatkészlet nem használható konkrét típusú tanulók számára.
0035-es hiba Kivétel történik, ha egy adott felhasználó vagy elem számára nem adtak meg szolgáltatásokat.
0003 hiba Kivétel történik, ha egy vagy több bemenet null értékű vagy üres.
0020 hiba Kivétel történik, ha a modulnak átadott egyes adatkészletekben lévő oszlopok száma túl kicsi.
0021 hiba Kivétel történik, ha a modulnak átadott egyes adatkészletek sorainak száma túl kicsi.
0013 hiba Kivétel történik, ha az átadott modulhoz tartozó tanuló érvénytelen típusú.

Lásd még

Modell kiértékelése
A-Z modulok listája