Machine Learning-モデルの初期化

この記事では、Machine Learning モデルを定義してそのパラメーターを設定するために使用できる Azure Machine Learning Studio (クラシック) のモジュールについて説明します。

注意

適用対象: Machine Learning Studio (クラシック)

このコンテンツは、Studio (クラシック) のみに関連しています。 Azure Machine Learning デザイナーに同様のドラッグアンドドロップモジュールが追加されました。 この記事では、2つのバージョンの比較について詳しく説明します。

トレーニングのモデル は、さまざまな入力データセットに適用できる仕様と考えることができます。 同じモデル仕様を別のデータに適用して、異なる結果を得ることができます。 または、仕様を使用してモデルを再トレーニングすることもできます。 その後、新しいデータを追加できます。

この記事では、Machine Learning Studio (クラシック) でモデルを作成、トレーニング、評価、およびスコア付けするプロセス全体についても説明します。

Machine Learning Studio (クラシック) で機械学習モデルを作成して使用する

機械学習の一般的なワークフローには、次のフェーズが含まれます。

  • 適切なアルゴリズムを選択し、初期オプションを設定します。
  • 互換性のあるデータを使用してモデルをトレーニングします。
  • モデル内のパターンに基づいて、新しいデータを使用して予測を作成します。
  • モデルを評価して、予測が正確であるかどうか、エラーの量、およびオーバーフィットが発生するかどうかを判断します。

Machine Learning Studio (クラシック) は、柔軟でカスタマイズ可能な機械学習のフレームワークをサポートしています。 このプロセスの各タスクは、特定の種類のモジュールによって実行されます。 モジュールは、残りの実験を中断することなく、変更、追加、または削除できます。

このカテゴリのモジュールを使用して、初期アルゴリズムを選択します。 次に、特定のモデルの種類に基づいて詳細なパラメーターを構成します。 このモデル仕様は、一連のデータに適用できます。

モデルの作成について

Azure Machine Learning には、分析モデルの構築に役立つさまざまな最先端の機械学習アルゴリズムが用意されています。 各アルゴリズムは、独自のモジュールにパッケージ化されています。 カスタマイズされたモデルを作成するには:

  1. カテゴリ別にモデルを選択します。

    アルゴリズムは、特定の種類の予測タスクによってグループ化されます。 例としては、回帰、分類、画像認識などがあります。 最初のタスクでは、実行する機械学習タスクの一般的なカテゴリを特定し、次にアルゴリズムを選択します。 アルゴリズムの選択に関するヘルプが必要な場合は、次のリソースを参照してください。

  2. アルゴリズムのパラメーターを構成します。

    各モジュールの [ プロパティ ] ペインを使用して、パラメーターを設定します。 パラメーターは、モデルがデータから学習する方法を制御します。

  3. データに対してモデルをトレーニングします。

    モデルを構成した後、データセットを接続します。 次に、 トレーニングモジュール のいずれかを使用して、使用するアルゴリズムを通じてデータを実行します。

    チューニングモデルのハイパーパラメーターを使用して、可能なすべてのパラメーターを反復処理し、タスクとデータに最適な構成を決定することができます。

  4. 予測、スコア付け、または評価を行います。

    モデルを構築してトレーニングした後は、通常、次の手順として、 スコア付けモジュール のいずれかを使用して、モデルに基づいて予測を生成します。

    モデルの評価にモジュールを使用すると、生成したスコアに基づいてモデルの精度を測定できます。

モジュールの一覧

このカテゴリのモジュールは、モジュールによってカプセル化される機械学習アルゴリズムの種類によって整理されます。 アルゴリズムの種類ごとに、通常は異なる種類のデータが必要です。

ここで説明する従来の機械学習アルゴリズムのカテゴリに加えて、次のモジュールはデータまたはプリプロセスからの特別な種類の学習機能を提供します。

関連項目