Naslag voor &-onderdelen voor Azure Machine Learning designer
Deze naslaginformatie biedt de technische achtergrond over elk van de machine learning algoritmen en onderdelen die beschikbaar zijn in Azure Machine Learning designer.
Elk onderdeel vertegenwoordigt een set code die onafhankelijk kan worden uitgevoerd en een machine learning uitgevoerd, op basis van de vereiste invoer. Een onderdeel kan een bepaald algoritme bevatten of een taak uitvoeren die belangrijk is in machine learning, zoals ontbrekende waardevervanging of statistische analyse.
Zie voor hulp bij het kiezen van algoritmen
Tip
In elke pijplijn in de ontwerpfunctie kunt u informatie krijgen over een specifiek onderdeel. Selecteer de koppeling Meer informatie in de onderdeelkaart wanneer u de muisaanwijzer op het onderdeel in de lijst met onderdelen of in het rechterdeelvenster van het onderdeel beweegt.
Onderdelen voor gegevensvoorbereiding
| Functionaliteit | Description | component |
|---|---|---|
| Gegevensinvoer en -uitvoer | Verplaats gegevens uit cloudbronnen naar uw pijplijn. Schrijf uw resultaten of tussenliggende gegevens naar Azure Storage, SQL Database of Hive, tijdens het uitvoeren van een pijplijn of gebruik cloudopslag om gegevens uit te wisselen tussen pijplijnen. | Gegevens handmatig invoeren Gegevens exporteren Gegevens importeren |
| Gegevenstransformatie | Bewerkingen op gegevens die uniek zijn voor machine learning, zoals het normaliseren of binning van gegevens, dimensionaliteitsvermindering en het converteren van gegevens tussen verschillende bestandsindelingen. | Kolommen toevoegen Rijen toevoegen Wiskundige bewerking toepassen SQL-transformatie toepassen Ontbrekende gegevens ops schonen Waarden inperken Converteren naar CSV Converteren naar gegevensset Converteren naar indicatorwaarden Metagegevens bewerken Gegevens in opslaglocaties groeperen Gegevens samenvoegen Gegevens normaliseren Partitie en voorbeeld Dubbele rijen verwijderen SMOTE Kolomtransformatie selecteren Kolommen in gegevensset selecteren Gegevens splitsen |
| Functieselectie | Selecteer een subset van relevante, nuttige functies die u kunt gebruiken bij het bouwen van een analytisch model. | Functieselectie op basis van filters Belang van permutatiefunctie |
| Statistische functies | Bieden een groot aantal statistische methoden met betrekking tot gegevenswetenschap. | Gegevens samenvatten |
Machine learning-algoritmen
| Functionaliteit | Description | component |
|---|---|---|
| Regressie | Een waarde voorspellen. | Regressie versterkte beslissingsstructuur Regressie beslissingsforest Regressie snelle forestkwantiel Lineaire regressie Regressie neuraal netwerk Regressie Poisson |
| Clustering | Groeper gegevens samen. | K-means-clustering |
| Classificatie | Een klasse voorspellen. Kies uit binaire algoritmen (twee klassen) of algoritmen met meerdere klassen. | Versterkte beslissingsstructuur met meerdere klassen Beslissingsforest met meerdere klassen Logistieke regressie met meerdere klassen Neuraal netwerk met meerdere klassen One-vs- All Multiclass One-vs- One Multiclass Gemiddeld perceptron met twee klassen Versterkte beslissingsstructuur met twee klassen Beslissingsforest met twee klassen Logistieke regressie met twee klassen Neuraal netwerk met twee klassen Ondersteuning voor vectormachine met twee klassen |
Onderdelen voor het bouwen en evalueren van modellen
Webservice
Meer informatie over de webserviceonderdelen die nodig zijn voor realtime deferentie in Azure Machine Learning designer.
Foutberichten
Meer informatie over de foutberichten en uitzonderingscodes die u kunt tegenkomen bij het gebruik van onderdelen in Azure Machine Learning Designer.