Ontbrekende gegevens opschonen

Belangrijk

De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.

Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.

• Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
• Meer informatie over Azure Machine Learning.

De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.

Hiermee geeft u op hoe de waarden die ontbreken in een gegevensset moeten worden verwerkt

Categorie: Gegevenstransformatie/manipulatie

Notitie

Van toepassing op: Machine Learning Studio (klassiek)

Vergelijkbare modules met slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.

Moduleoverzicht

In dit artikel wordt beschreven hoe u de module Clean Missing Data in Machine Learning Studio (klassiek) gebruikt om ontbrekende waarden te verwijderen, te vervangen of af te lezen.

Gegevenswetenschappers controleren vaak gegevens op ontbrekende waarden en voeren vervolgens verschillende bewerkingen uit om de gegevens op te lossen of nieuwe waarden in te voegen. Het doel van dergelijke opschoonbewerkingen is om problemen te voorkomen die worden veroorzaakt door ontbrekende gegevens die zich kunnen voordoen bij het trainen van een model.

Deze module ondersteunt meerdere typen bewerkingen voor het 'ops manier' van ontbrekende waarden, waaronder:

• Ontbrekende waarden vervangen door een tijdelijke aanduiding, gemiddelde of andere waarde
• Rijen en kolommen met ontbrekende waarden volledig verwijderen
• Waarden afleiden op basis van statistische methoden

Tip

Bent u niet machine learning? In dit artikel wordt een goede uitleg gegeven waarom u elk van de verschillende methoden zou gebruiken om ontbrekende waarden te vervangen: Methoden voor het verwerken van ontbrekende waarden

Als u deze module gebruikt, wordt uw bron-gegevensset niet gewijzigd. In plaats daarvan wordt er een nieuwe gegevensset in uw werkruimte gemaakt die u in de volgende werkstroom kunt gebruiken. U kunt de nieuwe, opgeschoonde gegevensset ook opslaan voor hergebruik.

In deze module wordt ook een definitie uitgevoerd van de transformatie die wordt gebruikt om de ontbrekende waarden op te schonen. U kunt deze transformatie opnieuw gebruiken voor andere gegevenssets met hetzelfde schema, met behulp van de module Transformatie toepassen.

Clean Missing Data gebruiken

In deze module kunt u een opschoonbewerking definiëren. U kunt de opschoonbewerking ook opslaan, zodat u deze later op nieuwe gegevens kunt toepassen. Zie de volgende koppelingen voor een beschrijving van het maken en opslaan van een opschoonproces:

• Ontbrekende waarden vervangen

• Een opschoontransformatie toepassen op nieuwe gegevens

Belangrijk

De opschoonmethode die u gebruikt voor het verwerken van ontbrekende waarden kan uw resultaten aanzienlijk beïnvloeden. U wordt aangeraden te experimenteren met verschillende methoden. Houd rekening met zowel de reden voor het gebruik van een bepaalde methode als de kwaliteit van de resultaten.

Ontbrekende waarden vervangen

Telkens wanneer u de module Clean Missing Data op een set gegevens toe passen, wordt dezelfde opschoonbewerking toegepast op alle kolommen die u selecteert. Als u verschillende kolommen wilt ops schonen met behulp van verschillende methoden, gebruikt u daarom afzonderlijke exemplaren van de module.

1. Voeg de module Clean Missing Data toe aan uw experiment en verbind de gegevensset met ontbrekende waarden.

2. Kies voor Kolommen die moeten worden opgeschoond de kolommen die de ontbrekende waarden bevatten die u wilt wijzigen. U kunt meerdere kolommen kiezen, maar u moet dezelfde vervangingsmethode gebruiken in alle geselecteerde kolommen. Daarom moet u tekenreekskolommen en numerieke kolommen doorgaans afzonderlijk ops schonen.

   Als u bijvoorbeeld wilt controleren op ontbrekende waarden in alle numerieke kolommen:

   1. Open de Kolom selector en selecteer WITH RULES.

   2. Selecteer VOOR BEGIN WITH DE OPTIE GEEN KOLOMMEN.

      U kunt ook beginnen met ALLE KOLOMMEN en vervolgens kolommen uitsluiten. In eerste instantie worden regels niet weergegeven als u eerst op ALLE KOLOMMEN klikt, maar u kunt op GEEN KOLOMMEN klikken en vervolgens nogmaals op ALLE KOLOMMEN klikken om te beginnen met alle kolommen en vervolgens kolommen filteren (uitsluiten) op basis van de naam, het gegevenstype of de kolommenindex.

   3. Selecteer voor Opnemen de optie Kolomtype in de vervolgkeuzelijst en selecteer vervolgens Numeriek of een specifieker numeriek type.

   Elke opschoon- of vervangingsmethode die u kiest, moet van toepassing zijn op alle kolommen in de selectie. Als de gegevens in een kolom niet compatibel zijn met de opgegeven bewerking, retourneert de module een fout en wordt het experiment gestopt.

3. Geef voor Minimale ontbrekende waardeverhouding het minimale aantal ontbrekende waarden op dat is vereist voor de bewerking die moet worden uitgevoerd.

   U gebruikt deze optie in combinatie met Maximale ontbrekende waardeverhouding om de voorwaarden te definiëren waaronder een opschoonbewerking wordt uitgevoerd op de gegevensset. Als er te veel of te weinig rijen ontbreken, kan de bewerking niet worden uitgevoerd.

   Het getal dat u op geeft, vertegenwoordigt de verhouding tussen ontbrekende waarden en alle waarden in de kolom. De eigenschap Minimale ontbrekende waardeverhouding is standaard ingesteld op 0. Dit betekent dat ontbrekende waarden worden opgeschoond, zelfs als er slechts één waarde ontbreekt. Zie Setting a Threshold for Cleaning Operations (Een drempelwaarde instellen voor opschoonbewerkingen) voor een voorbeeld van het gebruik van deze optie.

   Waarschuwing

   Aan deze voorwaarde moet worden voldaan door elke kolom om de opgegeven bewerking toe te passen. Stel dat u drie kolommen hebt geselecteerd en vervolgens de minimale verhouding van ontbrekende waarden hebt ingesteld op 0,2 (20%). Maar slechts één kolom heeft in werkelijkheid 20% ontbrekende waarden. In dit geval is de opschoonbewerking alleen van toepassing op de kolom met meer dan 20% ontbrekende waarden. Daarom zouden de andere kolommen ongewijzigd blijven.

   Als u twijfelt of ontbrekende waarden zijn gewijzigd, selecteert u de optie Ontbrekende waarde-indicator genereren. Er wordt een kolom toegevoegd aan de gegevensset om aan te geven of elke kolom voldoet aan de opgegeven criteria voor de minimum- en maximumbereiken.

4. Geef voor Maximale ontbrekende waardeverhouding het maximum aantal ontbrekende waarden op dat aanwezig kan zijn voor de bewerking die moet worden uitgevoerd.

   U wilt bijvoorbeeld ontbrekende waarden alleen vervangen als 30% of minder van de rijen ontbrekende waarden bevatten, maar de waarden laten zoals ze zijn als meer dan 30% van de rijen ontbrekende waarden bevat.

   U definieert het getal als de verhouding tussen ontbrekende waarden en alle waarden in de kolom. De maximale ontbrekende waardeverhouding is standaard ingesteld op 1. Dit betekent dat ontbrekende waarden worden opgeschoond, zelfs als 100% van de waarden in de kolom ontbreken.

   Notitie

   Wanneer u een drempelwaarde in stelt met behulp van de opties Minimale ontbrekende waardeverhouding of Maximale ontbrekende waardeverhouding, kan de opschoonbewerking niet worden uitgevoerd als zelfs een van de geselecteerde kolommen niet aan de criteria voldoet.

5. Selecteer bij Opschoonmodus een van de volgende opties voor het vervangen of verwijderen van ontbrekende waarden:

   • Vervangen met MICE: Voor elke ontbrekende waarde wijst deze optie een nieuwe waarde toe, die wordt berekend met behulp van een methode die wordt beschreven in de statistische documentatie als 'Multivariate Imputation using Chained Equations' of 'Multiple Imputation by Chained Equations'. Met een methode voor meervoudige imputatie wordt elke variabele met ontbrekende gegevens voorwaardelijk gemodelleerd met behulp van de andere variabelen in de gegevens voordat de ontbrekende waarden worden invullen. In een enkele imputatiemethode (zoals het vervangen van een ontbrekende waarde door een kolom-gemiddelde) wordt daarentegen één enkele keer over de gegevens gedaan om de opvulwaarde te bepalen.

     Alle imputatiemethoden brengen fouten of vooroordelen met zich mee, maar meervoudige imputatie simuleert het proces dat de gegevens genereert en de waarschijnlijkheidsverdeling van de gegevens.

     Zie Missing Data: the state of the art (Ontbrekende gegevens: the state of the art) voor een algemene inleiding tot methoden voor het verwerken van ontbrekende waarden. Schafer en Laten, 2002.

     Waarschuwing

     Deze optie kan niet worden toegepast op volledig lege kolommen. Dergelijke kolommen moeten worden verwijderd of als zodanig aan de uitvoer worden doorgegeven.

   • Aangepaste vervangingswaarde: gebruik deze optie om een tijdelijke aanduidingswaarde (zoals een 0 of NA) op te geven die van toepassing is op alle ontbrekende waarden. De waarde die u als vervanging opgeeft, moet compatibel zijn met het gegevenstype van de kolom.

   • Vervangen door gemiddelde: berekent het kolom-gemiddelde en gebruikt het gemiddelde als de vervangingswaarde voor elke ontbrekende waarde in de kolom.

     Is alleen van toepassing op kolommen met gegevenstypen van het type Geheel getal, Dubbel of Booleaanse gegevens. Zie de sectie Technische notities voor meer informatie.

   • Vervangen door mediaan: berekent de kolommediaanwaarde en gebruikt de mediaanwaarde als vervanging voor een ontbrekende waarde in de kolom.

     Is alleen van toepassing op kolommen met de gegevenstypen Geheel getal of Dubbel. Zie de sectie Technische notities voor meer informatie.

   • Vervangen door modus: berekent de modus voor de kolom en gebruikt de modus als vervangingswaarde voor elke ontbrekende waarde in de kolom.

     Is van toepassing op kolommen met de gegevenstypen Geheel getal, Dubbel, Booleaanse of Categorische. Zie de sectie Technische notities voor meer informatie.

   • Hele rij verwijderen: hiermee verwijdert u alle rijen in de gegevensset met een of meer ontbrekende waarden. Dit is handig als de ontbrekende waarde kan worden beschouwd als willekeurig ontbrekende waarde.

   • Hele kolom verwijderen: hiermee verwijdert u alle kolommen in de gegevensset die een of meer ontbrekende waarden bevatten.

   • Vervangen met behulp van probabilistische PCA: vervangt de ontbrekende waarden met behulp van een lineair model dat de correlaties tussen de kolommen analyseert en een schatting maakt van een laagdimensionale benadering van de gegevens, van waaruit de volledige gegevens worden gereconstrueerd. De onderliggende dimensionaliteitsvermindering is een probabilistische vorm van PCA (Principal Component Analysis) en implementeert een variant van het model dat wordt voorgesteld in het Journal of the Statistical Society, Series B 21(3), 611–622 van Tipping en Door Hema.

     Vergeleken met andere opties, zoals Multiple Imputation using Chained Equations (MICE), heeft deze optie het voordeel dat er geen predictors voor elke kolom moeten worden gebruikt. In plaats daarvan wordt de covariantie voor de volledige gegevensset geschat. Daarom biedt het mogelijk betere prestaties voor gegevenssets met ontbrekende waarden in veel kolommen.

     De belangrijkste beperkingen van deze methode zijn dat categorische kolommen worden uitgebreid naar numerieke indicatoren en een compacte covariantiematrix van de resulterende gegevens wordt berekend. Het is ook niet geoptimaliseerd voor sparse weergaven. Daarom worden gegevenssets met een groot aantal kolommen en/of grote categorische domeinen (tienduizenden) niet ondersteund vanwege het gebruik van te veel ruimte.

     Tip

     Vergeet niet dat de methode die u kiest, wordt toegepast op alle kolommen in de selectie. Dus als u een aantal ontbrekende waarden wilt vervangen door nullen in sommige kolommen, maar een tijdelijke aanduiding in andere kolommen wilt invoegen, moet u Kolommen in gegevensset selecteren gebruiken om de gegevens te scheiden en verschillende exemplaren van de module Ontbrekende gegevens ops schonen te gebruiken.

6. De optie Vervangingswaarde is beschikbaar als u de optie Aangepaste vervangingswaarde hebt geselecteerd. Typ een nieuwe waarde die moet worden gebruikt als vervangingswaarde voor alle ontbrekende waarden in de kolom.

   Houd er rekening mee dat u deze optie alleen kunt gebruiken in kolommen met de gegevenstypen Geheel getal, Dubbel, Booleaanse gegevens of Datum. Voor datumkolommen kan de vervangingswaarde ook worden ingevoerd als het aantal tikken van 100 nanoseconden sinds 1/1/0001 12:00 uur

7. Kolom voor ontbrekende waarde-indicator genereren: selecteer deze optie als u een indicatie wilt geven of de waarden in de kolom voldoen aan de criteria voor het opsnuiten van ontbrekende waarden. Deze optie is met name handig wanneer u een nieuwe opschoonbewerking instelt en er zeker van wilt zijn dat deze werkt zoals ontworpen.

8. Voer het experiment uit of selecteer de module Clean Missing Data en klik op Run selected.

Resultaten

De module retourneert twee uitvoer:

• Opgeschoonde gegevensset: een gegevensset die bestaat uit de geselecteerde kolommen, met ontbrekende waarden die worden verwerkt zoals opgegeven, samen met een indicatorkolom, als u die optie hebt geselecteerd.

  Kolommen die niet zijn geselecteerd om op te ruimen, worden ook 'doorgegeven'.

• Opschoontransformatie: een gegevenstransformatie die wordt gebruikt voor het ops manier, die kan worden opgeslagen in uw werkruimte en later kan worden toegepast op nieuwe gegevens.

Een opgeslagen opschoonbewerking toepassen op nieuwe gegevens

Als u vaak opschoningsbewerkingen moet herhalen, raden we u aan uw recept voor het opschonen van gegevens op te slaan als een transformatie, zodat u deze opnieuw kunt gebruiken met dezelfde gegevensset. Het opslaan van een opschoontransformatie is met name handig als u gegevens die hetzelfde schema hebben vaak opnieuw moet importeren en vervolgens moet ops schonen.

1. Voeg de module Transformatie toepassen toe aan uw experiment.

2. Voeg de gegevensset toe die u wilt ops schonen en verbind de gegevensset met de rechterinvoerpoort.

3. Vouw de groep Transformaties uit in het linkerdeelvenster van Studio (klassiek). Zoek de opgeslagen transformatie en sleep deze naar het experiment.

4. Verbinding maken opgeslagen transformatie naar de linkerinvoerpoort van Transformatie toepassen.

   Wanneer u een opgeslagen transformatie wilt toepassen, kunt u niet de kolommen selecteren waarop de transformatie wordt toegepast. Dat komt doordat de transformatie al is gedefinieerd en automatisch van toepassing is op de gegevenstypen die zijn opgegeven in de oorspronkelijke bewerking.

   Stel echter dat u een transformatie hebt gemaakt op een subset van numerieke kolommen. U kunt deze transformatie toepassen op een gegevensset met gemengde kolomtypen zonder een fout op te geven, omdat de ontbrekende waarden alleen worden gewijzigd in de overeenkomende numerieke kolommen.

5. Voer het experiment uit.

Voorbeelden

Zie voorbeelden van hoe deze module wordt gebruikt in de Azure AI Gallery:

• Voorspelling van prestaties van studenten: In dit voorbeeld worden nullen ingevoegd voor ontbrekende waarden.

• Kruisvalidatie voor voorbeeld binaire classificatie: Nullen worden gebruikt om ontbrekende waarden in te vullen en er wordt een indicatorkolom gemaakt om de wijzigingen bij te houden. Kolommen met alle ontbrekende waarden worden ook bewaard.

• Verwerking en analyse van gegevenssets: In dit voorbeeld gebruiken verschillende vertakkingen van het experiment verschillende methoden voor het vervangen van ontbrekende waarden. De gegevenssets worden vervolgens geëvalueerd met Behulp van Gegevens samenvatten en Lineaire correlatie berekenen.

• Voorbeeld van een vluchtvertragingsvoorspelling: Lege rijen worden volledig verwijderd.

Technische opmerkingen

Deze sectie bevat implementatiedetails, evenals bekende problemen en veelgestelde vragen.

• Er treedt een fout op als de gemiddelde of mediaanoptie wordt gebruikt wanneer er tekenreekskolommen zijn geselecteerd. Als u kolommen van verschillende gegevenstypen wilt verwerken, maakt u twee exemplaren van Clean Missing Data.

• Wanneer u ontbrekende waarden vervangt door een gemiddelde waarde in kolommen door de gegevenstypen Boolean, Integer, DateTime of TimeSpan, wordt de kolom eerst geconverteerd naar drijvende-kommen, wordt het gemiddelde berekend en wordt het resultaat afgerond op de dichtstbijzijnde waarde van het oorspronkelijke gegevenstype.

• Wanneer u een vervangende waarde typt, moet de waarde compatibel zijn met het gegevenstype in de geselecteerde kolom.

• Waarden van NaN, Infen zijn –Inf toegestaan voor kolommen waarbij het gegevenstype Dubbel is.

• Wanneer u de MICE-methode gebruikt, wordt de vervangingswaarde voorspeld met behulp van het getrainde MICE-model.

• Als u Ontbrekende gegevens ops schonen gebruikt, kunt u andere kolomtypen opnieuw instellen op functie. Als uw gegevens andere typen kolommen bevatten, zoals labels, gebruikt u Metagegevens bewerken om de kolomtypen te corrigeren.

Beperkingen voor het gebruik van opschoontransformaties

De volgende beperkingen zijn van toepassing wanneer u een opgeslagen transformatie (op basis van Clean Missing Data) gebruikt voor nieuwe gegevens:

• Een opgeslagen transformatie kan geen indicatorwaarden genereren, zelfs niet als deze optie is gebruikt in de oorspronkelijke opschoonbewerking. Beschouw de indicatorwaarden als nuttig bij het testen van een nieuwe transformatie.

• De transformatie berekent geen nieuwe waarden op basis van de nieuwe gegevensset. Met andere woorden, als u Clean Missing Data op gegevensset A hebt gebruikt en een gemiddelde waarde van 0,5 hebt gegenereerd, wordt diezelfde waarde toegepast als het gemiddelde voor het vervangen van ontbrekende waarden in gegevensset B, ongeacht de werkelijke waarden in gegevensset B.

• Het gegevenstype van de kolommen in de nieuwe gegevensset moet overeenkomen met het gegevenstype van de kolommen waarop de transformatie oorspronkelijk is gemaakt. Er t doet zich een fout voor als er bewerkingen worden uitgevoerd op de kolom die het gegevenstype impliciet wijzigen.

  Stel bijvoorbeeld dat u een gemiddelde voor een kolom met gehele getallen [Col1] maakt en de transformatie opschont. Nu wilt u de transformatie voor opschonen toepassen op een kopie van [Col1] die is aangepast met behulp van een formule, zoals ([Col1] /1.5). Om ervoor te zorgen dat het resultaat een geheel getal is, rondt u het resultaat af, maar krijgt u nog steeds een foutmelding wanneer u de transformatie gaat toepassen. Als u de waarde echter aanpast met behulp van een formule zoals ([Col 1] * 10), wordt er geen fout opgetreden.

  Als u dergelijke problemen wilt voorkomen, gebruikt u Metagegevens bewerken om het gegevenstype expliciet opnieuw in te stellen op een geheel getal. In het algemeen wijzigen bewerkingen in de module Wiskundige bewerking toepassen impliciet numerieke kolommen in double.

Drempelwaarden instellen en interpreteren

Wanneer u een drempelwaarde opgeeft voor opschoonbewerkingen met behulp van de opties Minimale ontbrekende waardeverhouding of Maximale ontbrekende waardeverhouding, kunnen de resultaten onverwacht of verwarrend zijn. Om te laten zien hoe de opties voor de maximale en minimale ontbrekende waarden werken, hebben we enkele voorbeelden gegeven van de voorbeeldgegevensset Automobile Prices , die veel kolommen met ontbrekende waarden bevat.

In de volgende tabel ziet u het aantal ontbrekende waarden voor verschillende kolommen in die gegevensset, samen met de verhouding van ontbrekende waarden die zijn berekend op de gegevensset. De verhouding van ontbrekende waarden (in de meest rechtse kolom) is de waarde die wordt gebruikt bij het evalueren van de gegevensset op basis van de opgegeven drempelwaarden.

Stel dat u De minimale verhouding voor ontbrekende waarden in stelt op 0,019 en Maximum-verhouding voor ontbrekende waarde in op 0,020. Op basis van de volgende tabel met waarden voldoen sommige kolommen aan de drempelcriteria en andere niet:

• De kolommen en bore voldoen stroke aan de drempelcriteria.
• De kolommen en normalized-losses voldoen compression-ratio niet aan de drempelcriteria.

Kolomnaam	Aantal ontbrekende waarden	Verhouding van ontbrekende waarden
Normalized-losses	41	0,2
Droeg	4	0.019512195
Lijn	4	0.019512195
Compressieverhouding	0	0

Omdat sommige kolommen in de selectie niet voldoen aan de opgegeven criteria, is er geen opschoonbewerking uitgevoerd op een kolom. Om u te helpen achterhalen wat er is gebeurd, retourneert de module de waarde FALSE in de twee indicatorkolommen, bore_IsMissing en stroke_IsMissing.

Als u de drempelwaarde echter weer wijzigt in de standaardwaarden 0 voor Minimale ontbrekende waardeverhouding en 1 voor Maximale ontbrekende waardeverhouding, wordt er een indicatorkolom geretourneerd voor alle geselecteerde kolommen en wordt de opgegeven bewerking uitgevoerd.

Tip

Als u niet zeker weet of het ops schonen van ontbrekende waarden werkt zoals verwacht, selecteert u de kolom Kolom Ontbrekende waarde-indicator genereren.

Bekende problemen

Als u de MICE-methode gebruikt om gegevens op te schonen en vervolgens een gegevensset met ontbrekende waarden te verwerken, krijgt u mogelijk de volgende foutmelding: 'Uitzondering AFx-bibliotheekbibliotheek: Model is niet getraind. ( Fout 1000 )"

Deze fout treedt alleen op wanneer de methode MICE is geselecteerd en als de trainingsset geen ontbrekende waarden bevat, maar de test-gegevensset wel.

Verwachte invoer

Naam	Type	Description
Gegevensset	Gegevenstabel	Gegevensset die moet worden opgeschoond

Moduleparameters

Name	Bereik	Type	Standaard	Beschrijving
Kolommen die moeten worden opgeschoond	Alle	ColumnSelection	Alles	Selecteer kolommen voor de opschoonbewerking voor ontbrekende waarden.
Minimale ontbrekende waardeverhouding	[0.0;1.0]	Float	0,0	Schoon alleen de kolom op met een ontbrekende waardeverhouding boven de opgegeven waarde, uit een set van alle geselecteerde kolommen.
Maximale verhouding ontbrekende waarde	[0.0;1.0]	Float	1.0	Schoon alleen kolommen op met een ontbrekende waardeverhouding onder de opgegeven waarde uit een set van alle geselecteerde kolommen.
Opschoonmodus	Lijst	Afhandelingsbeleid	Aangepaste vervangingswaarde	Kies een algoritme dat moet worden gebruikt bij het opsninien van ontbrekende waarden.
Vervangende waarde	Alle	Tekenreeks	"0"	Typ een waarde om de plaats van ontbrekende waarden in te nemen. Deze waarde is optioneel.
Cols met alle ontbrekende waarden	Alle	ColumnsWithAllValuesMissing	Verwijderen	Geef aan of kolommen met alle ontbrekende waarden moeten worden bewaard in de uitvoer.
Kolom voor ontbrekende waarde-indicator genereren	Alle	Boolean-waarde	onjuist	Genereer een kolom die aangeeft welke rijen zijn opgeschoond.
Aantal iteraties	[1;10]	Geheel getal	5	Geef het aantal iteraties op wanneer u MICE gebruikt.
Aantal iteraties voor PCA-voorspelling	[1;50]	Geheel getal	10	Geef het aantal iteraties op wanneer u een PCA-voorspelling gebruikt.

Uitvoerwaarden

Naam	Type	Description
Opgeschoonde gegevensset	Gegevenstabel	Opgeschoonde gegevensset
Opschoontransformatie	ITransform-interface	Transformatie die moet worden doorgegeven aan de module Transformatie toepassen om nieuwe gegevens op te schonen.

Uitzonderingen

Uitzondering	Description
Fout 0002	Er treedt een uitzondering op als een of meer parameters niet kunnen worden geparseerd of geconverteerd van het opgegeven type naar het type dat is vereist voor de doelmethode.
Fout 0003	Er treedt een uitzondering op als een of meer invoersets null of leeg zijn.
Fout 0008	Er treedt een uitzondering op als een parameter niet binnen het bereik valt.
Fout 0013	Er treedt een uitzondering op als de leaner die is doorgegeven aan de module een ongeldig type heeft.
Fout 0018	Er treedt een uitzondering op als de invoerset ongeldig is.
Fout 0039	Er treedt een uitzondering op als de bewerking mislukt.

Zie Foutcodes voor een lijst met fouten die specifiek zijn Machine Learning voor Studio-modules (klassiek).

Zie Foutcodes voor een lijst Machine Learning REST API API-uitzonderingen.

Zie ook

Manipulatie
Gegevenstransformatie
Lijst met A-Z-modules