Lineaire regressie Bayesiaanse

Hiermee maakt u een Bayesiaanse lineair regressie model

Categorie: model/regressie machine learning/initialiseren

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 wordt beschreven hoe u de Bayesiaanse Linear Regression module in azure machine learning Studio (klassiek) kunt gebruiken om een regressie model te definiëren op basis van Bayesiaanse-statistieken.

Nadat u de para meters voor het model hebt gedefinieerd, moet u het model trainen met behulp van een gecodeerde gegevensset en de module Train model . Het getrainde model kan vervolgens worden gebruikt voor het maken van voor spellingen. Het niet-trained model kan ook worden door gegeven aan kruislings valideren model voor kruis validatie op basis van een gegevensset met een label.

Meer informatie over Bayesiaanse regressie

In statistieken wordt de Bayesiaanse -benadering voor regressie vaak in tegens telling tot de frequente aanpak.

De Bayesiaanse-benadering maakt gebruik van lineaire regressie, aangevuld met aanvullende informatie in de vorm van een eerdere kans-distributie. Eerdere informatie over de para meters wordt gecombineerd met een waarschijnlijke functie voor het genereren van schattingen voor de para meters.

In tegens telling tot de meest frequente oplossing, vertegenwoordigd door de standaard kleinste kwadraat lineaire regressie, wordt ervan uitgegaan dat de gegevens voldoende metingen bevatten om een zinvol model te maken.

Zie de koppelingen in de sectie technische opmerkingen voor meer informatie over het onderzoek achter dit algoritme.

Bayesiaanse regressie configureren

  1. Voeg de Bayesiaanse Linear Regression -module toe aan uw experiment. U kunt deze module vinden onder machine learning, initialiserenin de categorie regressie .

  2. Regularisatie-gewicht: Typ een waarde die moet worden gebruikt voor regularisatie. Regularisatie wordt gebruikt om te voor komen dat het wordt overpast. Dit gewicht komt overeen met L2. Zie de sectie met technische opmerkingen voor meer informatie.

  3. Onbekende categorische-niveaus toestaan: Selecteer deze optie om een groepering te maken voor onbekende waarden. Het model kan alleen de waarden accepteren die deel uitmaken van de trainings gegevens. Het model is mogelijk minder nauw keurig voor bekende waarden, maar biedt betere voor spellingen voor nieuwe (onbekende) waarden.

  4. Verbind een trainings gegevensset en een van de trainings modules. Dit model type heeft geen para meters die kunnen worden gewijzigd in een para meter-sweep, dus hoewel u het model kunt trainen met het model Hyper parameters, kan het model niet automatisch worden geoptimaliseerd.

  5. Selecteer de enkelvoudige numerieke kolom die u wilt model leren of voors pellen.

  6. Voer het experiment uit.

Resultaten

Nadat de training is voltooid:

  • Als u een overzicht van de para meters van het model wilt weer geven, klikt u met de rechter muisknop op de uitvoer van de module Train model en selecteert u visualiseren.
  • Als u voor spellingen wilt maken, gebruikt u het getrainde model als invoer voor het score model.

Voorbeelden

Voor voor beelden van regressie modellen raadpleegt u de Azure AI Gallery.

Technische opmerkingen

Module parameters

Naam Bereik Type Standaard Beschrijving
Regularisatie-gewicht >= double. Letter Drijvendekommagetal 1.0 Typ een constante die moet worden gebruikt in regularisatie. De constante vertegenwoordigt de verhouding van de precisie van het gewicht vóór de nauw keurigheid van de ruis.
Onbekende categorische-niveaus toestaan Alle Boolean-waarde true Als deze waarde True is, wordt er een extra niveau voor elke categorische-kolom gemaakt. Alle niveaus in de test gegevensset die niet beschikbaar zijn in de trainings gegevensset, worden toegewezen aan dit extra niveau.

Outputs

Naam Type Beschrijving
Niet-traind model ILearner-interface Een ontraind lineair regressie model van Bayesiaanse

Zie ook

Module lijst a-Z
Regressie