Filter toepassen

Hiermee wordt een filter toegepast op de opgegeven kolommen van een gegevensset

Categorie: gegevens transformatie/filter

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel descries hoe u de Filter module Toep assen in azure machine learning Studio (klassiek) kunt gebruiken om een kolom met waarden te transformeren door een eerder gedefinieerd filter toe te passen. Filters worden gebruikt bij het verwerken van digitale signalen om lawaai te verminderen of een patroon te markeren. De waarden die u transformeert, zijn dus altijd numeriek en vertegenwoordigen meestal een type audio-of visueel signaal.

Tip

Zoekt u een ander type filter? Studio (klassiek) biedt deze modules voor het bemonsteren van gegevens, ophalen van een subset van gegevens, het verwijderen van ongeldige waarden of het maken van test-en opleidings sets: gesplitste gegevens, ontbrekende gegevens, partitie en voor beeld, SQL-trans formatie Toep assen, clip waarden. Zie gegevens importerenals u gegevens wilt filteren die u van een bron hebt gelezen. De opties zijn afhankelijk van het bron type.

Nadat u hebt vastgesteld welk type filter het meest geschikt is voor uw gegevens bron, geeft u de para meters op en gebruikt u filter Toep assen om de gegevensset te transformeren. Omdat het ontwerp van filters gescheiden is van het proces van het Toep assen van een filter, kunnen filters opnieuw worden gebruikt. Als u bijvoorbeeld regel matig werkt met gegevens die worden gebruikt voor prognoses, kunt u verschillende soorten voortschrijdende gemiddelde filters ontwerpen om meerdere modellen te trainen en te vergelijken. U kunt het filter ook opslaan om toe te passen op andere experimenten of op verschillende gegevens sets.

Filter Toep assen configureren

  1. Voeg de Filter module apply toe aan uw experiment. U kunt de IIR-filter module onder gegevens transformatievinden in de categorie filters .

  2. Verbind een gegevensset die numerieke waarden bevat, aan de rechter kant met één invoer.

  3. Verbind een bestaand filter aan de linkerkant van de invoer. U kunt een opgeslagen filter opnieuw gebruiken of u kunt een filter configureren met behulp van een van de volgende filter modules: drempel filter, zwevend gemiddelde filter, mediaan filter, IIR filter, FIR-filter, door de gebruiker gedefinieerd filter.

  4. Klik in het deel venster Eigenschappen van filter Toep assenop kolom kiezer starten en kies de kolommen waarop het filter moet worden toegepast.

  5. Voer het experiment uit of klik met de rechter muisknop op filter Toep assen en klik op geselecteerde uitvoeren.

Resultaten

De uitvoer bevat alleen de gegevens in de geselecteerde kolommen, getransformeerd door de opgegeven vooraf gedefinieerde wiskundige trans formatie toe te passen.

Als u andere kolommen in de gegevensset wilt zien, kunt u de module kolommen toevoegen gebruiken om de oorspronkelijke en gefilterde gegevens sets samen te voegen.

Notitie

De waarden in de oorspronkelijke kolom zijn niet verwijderd of overschreven en zijn nog steeds beschikbaar in het experiment for reference. De uitvoer van het filter is meestal echter nuttiger voor model lering.

Voorbeelden

Voor voor beelden van hoe filters worden gebruikt in machine learning raadpleegt u de Azure AI Gallery:

  • Filters: toont alle filter typen met behulp van een met een engine gevormde Waveform-gegevensset.

Technische opmerkingen

Deze sectie bevat implementatie details, tips en antwoorden op veelgestelde vragen.

  • De Filter module apply koppelt het opgegeven type filter aan de geselecteerde kolommen. Als u verschillende typen filters op verschillende kolommen wilt Toep assen, moet u kolommen selecteren in gegevensset gebruiken om de kolommen te isoleren en verschillende filter typen in afzonderlijke werk stromen toe te passen. Zie kolommen selecteren in gegevenssetvoor meer informatie.

  • De filters geven geen gegevens kolommen door die niet worden beïnvloed door het filter. Dat wil zeggen dat de uitvoer van het Filter Apply alleen de getransformeerde numerieke waarden bevat. U kunt echter de module kolommen toevoegen gebruiken om getransformeerde waarden samen te voegen met de bron gegevensset.

Perioden filteren

De filter periode wordt als volgt bepaald door het filter type:

  • Voor een beperkte Impulse-reactie (FIR), eenvoudige zwevende gemiddelde en drie hoekige voortschrijdende gemiddelde filters is de filter periode eindig.

  • Voor oneindig Impulse-antwoord (IIR), exponentiële zwevende gemiddelde en cumulatieve voortschrijdende gemiddelde filters is de filter periode oneindig.

  • Voor drempel filters is de filter periode altijd 1.

  • Voor mediaan filters produceert, ongeacht de filter periode, NaNs en ontbrekende waarden in het invoer signaal geen nieuwe NaNs in de uitvoer.

Ontbrekende waarden

In deze sectie wordt het gedrag beschreven wanneer ontbrekende waarden worden aangetroffen, gesorteerd op Filter type. In het algemeen wordt de uitvoer gegevensset met NaNs voor een aantal voor beelden, afhankelijk van de filter periode, in de weer gave van het resultaat van een filter dat een NaN of een ontbrekende waarde in de invoer gegevensset stuit. Dit heeft de volgende consequenties:

  • De filters voor de FIR, het eenvoudige zwevende gemiddelde of het drie hoekig zwevend gemiddelde hebben een eindige periode. Als gevolg hiervan wordt elke ontbrekende waarde gevolgd door een aantal NaNs gelijk aan de filter volgorde min één.

  • IIR, exponentiële voortschrijdende gemiddelde of cumulatieve voortschrijdende gemiddelde filters hebben een oneindige periode. Als gevolg hiervan wordt de NaNs, nadat de eerste ontbrekende waarde is aangetroffen, voor onbepaalde tijd door gegeven.

  • In een drempel filter is de periode van een drempel filter 1. Als gevolg hiervan worden ontbrekende waarden en NaNs niet door gegeven.

  • Voor mediaan filters produceert NaNs en ontbrekende waarden in de invoer-gegevensset geen nieuwe NaNs in de uitvoer, ongeacht de filter periode.

Verwachte invoer

Naam Type Beschrijving
Filteren IFilter-interface Filter implementatie
Gegevensset Gegevens tabel Invoer gegevensset

Zie machine learning fout codesvoor een lijst met fouten die specifiek zijn voor Studio-modules (Classic).

Zie Machine Learning rest API fout codesvoor een lijst met API-uitzonde ringen.

Module parameters

Naam Bereik Type Standaard Beschrijving
Kolomset Alle ColumnSelection Numeriek Selecteer de kolommen die u wilt filteren

Uitvoer

Naam Type Beschrijving
Gegevensset voor resultaten Gegevens tabel Uitvoer gegevensset

Zie ook

Filterwebonderdelen
Module lijst a-Z