Machine Learning Studio (クラシック) モジュールの A から Z の一覧

  • [アーティクル]

重要

Machine Learning Studio (クラシック) のサポートは、2024 年 8 月 31 日に終了します。 その日までに、Azure Machine Learning に切り替えすることをお勧めします。

2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。

ML Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

ヒント

現在 Machine Learning Studio (クラシック) を使用または評価しているお客様には、ドラッグ アンド ドロップ ML モジュールの "ほか"、スケーラビリティ、バージョン管理、およびエンタープライズ セキュリティを提供する Azure Machine Learning デザイナーを試してみることをお勧めします。

モジュールには、機械学習タスクに必要なさまざまな機能が含まれています。

  • データ変換関数
  • データ変換関数
  • R または Python スクリプトを実行するモジュール
  • 次を含むアルゴリズム:
    • デシジョン ツリー
    • 意思決定フォレスト
    • クラスタリング
    • タイム シリーズ
    • レコメンド モデル
    • 異常検出

モジュールを見つけるには:

  • モジュールの名前がわかっている場合は、アルファベットのテーブルをインデックスとして使用して、特定のモジュールまたはアルゴリズムをすばやく検索します。
  • 機能カテゴリ別のモジュールの一覧については、「モジュールのカテゴリと説明 」を参照してください。

モジュールのアルファベット順の表

モジュール名 説明
列の追加 あるデータセットから別のデータセットに列のセットを追加します。
行の追加 入力データセットから別のデータセットの末尾に一連の行を追加します。
フィルターの適用 データセットの指定した列にフィルターを適用します。
算術演算の適用 数値演算を列値に適用します。
SQL 変換の適用 入力データセットに対して SQLite クエリを実行してデータを変換します。
変換の適用 データセットに指定されたデータ変換を適用します。
クラスターへのデータの割り当て 既存のトレーニング済みクラスタリング モデルを使用して、クラスターにデータを割り当てる。
ベイジアン線形回帰 ベイジアン線形回帰モデルを作成します。
ブースト デシジョン ツリー回帰 ブースト 意思決定ツリー アルゴリズムを使用して回帰モデルを作成します。
カウント変換の構築 機能の構築に使用するカウントを作成します。
見つからないデータのクリーンアップ データセットに欠落している値を処理する方法を指定します。
クリップの値 外れ値を検出し、その値をクリップまたは置換します。
基本統計のコンピューティング 選択したデータセット列の指定された概要統計を計算します。
言語を検出する 入力ファイル内の各行の言語を検出します。
線形相関関係のコンピューティング データセット内の列値間の線形相関関係を計算します。
ARFF への変換 データ入力を、Weka ツールセットで使用される属性関係ファイル形式に変換します。
CSV への変換 データ入力をコンマ区切り値形式に変換します。
データセットへの変換 データ入力を、データ 入力で使用される内部データセット形式にMachine Learning。
インジケーター値への変換 列のカテゴリ値をインジケーター値に変換します。
SVMLight への変換 データ入力を SVMlight フレームワークで使用される形式に変換します。
TSV への変換 データ入力をタブ区切り形式に変換します。
R モデルの作成 カスタム リソースを使用して R モデルを作成します。
モデルのクロス検証 データをパーティション分割することで、分類モデルまたは回帰モデルのパラメーター推定値をクロス検証します。
デシジョン フォレスト回帰 決定フォレスト アルゴリズムを使用して回帰モデルを作成します。
言語を検出する 入力ファイル内の各行の言語を検出します。
メタデータの編集 データセット内の列に関連付けられているメタデータを編集します。
データの手動入力 値を入力して、小さなデータセットの入力と編集を有効にできます。
モデルの評価 標準メトリックを使用して、スコア付けされた分類または回帰モデルを評価します。
確率関数の評価 指定した確率分布関数をデータセットに適合します。
レコメンダーの評価 推奨モデルの予測の精度を評価します。
Python スクリプトの実行 実験から Python スクリプトをMachine Learningします。
R スクリプトの実行 実験から R スクリプトをMachine Learningします。
カウント テーブルのエクスポート カウント変換からカウントをエクスポートします。
データのエクスポート データセットを Web URL または Azure のさまざまな形式のクラウドベースのストレージ (テーブル、BLOB、データベースなど) に書き込Azure SQLします。

このモジュールは、以前は Writer という名前でした。
テキストからキー フレーズを抽出する テキスト列からキー ワードとフレーズを抽出します。
テキストからの N-gram 特徴抽出 N-Gram 辞書機能を作成し、その機能の選択を行います。
高速フォレスト分位点回帰 分位点回帰モデルを作成します。
特徴ハッシュ Vowpal Wabbit ライブラリを使用して、テキスト データを整数でエンコードされた特徴に変換します。
フィルターに基づく特徴選択 予測力が最も高いデータセット内の特徴を識別します。
FIR フィルター シグナル処理用の有限インパルス応答フィルターを作成します。
Fisher 線形判別分析 データを個別のクラスに最適にグループ化できる特徴変数の線形組み合わせを識別します。
グループ カテゴリ値 複数のカテゴリのデータを新しいカテゴリにグループ化します。
データをビンにグループ化する 数値データをビンに入れる。
IIR フィルター シグナル処理用の無限インパルス応答フィルターを作成します。
カウント テーブルのインポート 既存のカウント テーブルからカウントをインポートします。
データのインポート テーブル、BLOB、SQL データベース、Azure Cosmos DB など、Web 上の外部ソースから、または Azure のさまざまな形式のクラウドベースのストレージからデータを読み込む。 ゲートウェイが構成されている場合は、オンプレミスSQL Serverデータベースからデータを読み込む可能性があります。

このモジュールは、以前は Reader という名前でした。
イメージのインポート Azure Blob Storage からデータセットにイメージを読み込む。
データの結合 2 つのデータセットを結合します。
K-Means クラスタリング K-Means クラスタリング モデルを構成および初期化します。
Latent Dirichlet Allocation Vowpal Wabbit ライブラリ for Latent Dirichlet Allocation (LDA) を使用してトピック モデリングを実行します。
線形回帰 線形回帰モデルを作成します。
トレーニング済みのモデルを読み込む 実験でのスコア付けに使用できるトレーニング済みのモデルを取得します。
中央値フィルター 傾向分析のデータを滑らかにするために使用される中央値フィルターを作成します。
カウント変換のマージ カウント テーブルの 2 つのセットをマージします。
カウント テーブル パラメーターの変更 カウント テーブルからカウントベースの特徴のコンパクト なセットを構築します。
移動平均フィルター 傾向分析のデータを滑らかにする移動平均フィルターを作成します。
多クラス デシジョン フォレスト 決定フォレスト アルゴリズムを使用して多クラス分類モデルを作成します。
多クラス デシジョン ジャングル 決定のアルゴリズムを使用して多クラス分類モデルを作成します。
多クラス ロジスティック回帰 多クラスロジスティック回帰分類モデルを作成します。
多クラス ニューラル ネットワーク ニューラル ネットワーク アルゴリズムを使用して多クラス分類モデルを作成します。
名前付きエンティティの認識 テキスト列内の名前付きエンティティを認識します。
ニューラル ネットワーク回帰 ニューラル ネットワーク アルゴリズムを使用して回帰モデルを作成します。
データの正規化 数値データを再スケーリングして、データセット値を標準の範囲に制限します。
1 クラス サポート ベクター マシン 異常検出用の 1 クラス サポート ベクター マシン モデルを作成します。
One-vs-All Multiclass 二項分類モデルのアンサンブルから多クラス分類モデルを作成します。
順序回帰 序数回帰モデルを作成します。
パーティションとサンプル サンプリングに基づいてデータセットの複数のパーティションを作成します。
順列の特徴量の重要度 トレーニング済みのモデルとテスト データセット内の特徴変数の積み上がり特徴の重要度スコアを計算します。
PCA ベースの異常検出 プリンシパル コンポーネント分析 (PCA) を使用して異常検出モデルを作成します。
ポワソン回帰 データにポワソン分布を持つ回帰モデルを作成します。
テキストの前処理 テキストに対してクリーニング操作を実行します。
事前トレーニング済みカスケード画像分類 OpenCV ライブラリを使用して、前顔の事前トレーニング済み画像分類モデルを作成します。
主成分分析を参照してください 学習効率を高め、次元を減らした一連の特徴を計算します。
重複する行の削除 データセットから重複する行を削除します。
離散値の置換 ある列の不連続値を、別の列に基づく数値に置き換える。
マッチボックス レコメンダーのスコアリング Matchbox recommender を使用してデータセットの予測をスコア付けします。
モデルのスコア付け トレーニング済みの分類モデルまたは回帰モデルの予測をスコア付けします。
Vowpal Wabbit 7-4 モデルのスコアリング Vowpal Wabbit 機械学習システムを使用してデータをスコア付けします。

Vowpal Wabbit バージョン 7-4 および 7-6 を使用して構築されたトレーニング済みのモデルが必要です。
Vowpal Wabbit 7-10 モデルのスコアリング Vowpal Wabbit 機械学習システムを使用してデータをスコア付けします。

Vowpal Wabbit バージョン 7-10 を使用して構築されたトレーニング済みのモデルが必要です。
Vowpal Wabbit 8 モデルのスコアリング コマンド ライン インターフェイスから Vowpal Wabbit 機械学習システムを使用してデータをスコア付けします。

Vowpal Wabbit バージョン 8 を使用して構築されたトレーニング済みのモデルが必要です。
データセット内の列の選択 操作でデータセットに含める列またはデータセットから除外する列を選択します。
SMOTE 合成マイノリティ オーバーサンプリングを使用して、データセット内の低頻度の例の数を増やします。
データの分割 データセットの行を2つの異なるセットに分割します。
データの集計 データセット内の列に関する基本的な説明的な統計レポートを生成します。
クラスタリングのスイープ クラスターモデルに対してパラメータースイープを実行し、最適なパラメーター設定を決定します。
T 検定を使用して仮説をテストする T 検定を使用して、2つのデータセットの意味を比較します。
しきい値フィルター 値を制限するしきい値フィルターを作成します。
時系列の異常検出 時系列データの傾向を学習し、その傾向を使用して異常を検出します。
異常検出モデルのトレーニング 異常検出モデルをトレーニングし、トレーニングセットのデータにラベルを付けます。
クラスタリング モデルのトレーニング クラスターモデルをトレーニングし、トレーニングセットからクラスターにデータを割り当てます。
マッチボックス レコメンダーのトレーニング Matchbox アルゴリズムを使用してベイジアンレコメンダーをトレーニングします。
モデルのトレーニング 分類モデルまたは回帰モデルを、監視された方法でトレーニングします。
Vowpal Wabbit 7-4 モデルのトレーニング Vowpal Wabbit machine learning システムからモデルをトレーニングします。

このモジュールは、Vowpal Wabbit バージョン7-4 および7-6 との互換性を維持するためのものです。
Vowpal Wabbit 7-10 モデルのトレーニング Vowpal Wabbit machine learning システムからモデルをトレーニングします。

このモジュールは、Vowpal Wabbit バージョン7-10 用です。
Vowpal Wabbit 8 モデルのトレーニング Vowpal Wabbit machine learning システムのバージョン8を使用してモデルをトレーニングします。

このモジュールは、Vowpal Wabbit バージョン8用です。
モデルのハイパーパラメーターの調整 回帰モデルまたは分類モデルに対してパラメータースイープを実行し、最適なパラメーター設定を決定します。
2 クラス平均化パーセプトロン 平均パーセプトロン二項分類モデルを作成します。
2 クラスのベイズ ポイント マシン Bayes ポイントマシンのバイナリ分類モデルを作成します。
2 クラス ブースト デシジョン ツリー ブーストデシジョンツリーアルゴリズムを使用して二項分類器を作成します。
2 クラス デシジョン フォレスト デシジョンフォレストアルゴリズムを使用して、2クラス分類モデルを作成します。
2 クラス デシジョン ジャングル デシジョンジャングルアルゴリズムを使用して、2クラス分類モデルを作成します。
2 クラスのローカル詳細サポート ベクター マシン ローカルのディープサポートベクターマシンアルゴリズムを使用して、二項分類モデルを作成します。
2 クラス ロジスティック回帰 2クラスロジスティック回帰モデルを作成します。
2 クラス ニューラル ネットワーク ニューラルネットワークアルゴリズムを使用して二項分類器を作成します。
2 クラス サポート ベクター マシン サポートベクターマシンアルゴリズムを使用して、二項分類モデルを作成します。
zip 形式のデータセットのアンパック ユーザーストレージ内の .zip パッケージからデータセットをアンパックします。
ユーザー定義フィルター カスタムの有限または無限インパルス応答フィルターを作成します。

こちらもご覧ください