Gegevens transformatie-filter

In dit artikel wordt beschreven hoe u de filter modules in Azure Machine Learning Studio (klassiek) kunt gebruiken om digitale gegevens te transformeren. De modules in deze groep hulpprogram ma's voor Machine Learning Studio (klassiek) zijn gebaseerd op filters die zijn ontwikkeld voor de technologie voor digitale signaal verwerking.

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.

Filters worden meestal toegepast op gegevens in de gegevens verwerkings fase of in de voorbereidings fase. Filters verbeteren de helderheid van het signaal dat voor machine learning wordt gebruikt. U kunt bijvoorbeeld de filter modules in Machine Learning Studio (klassiek) gebruiken voor deze verwerkings taken:

  • Het opschonen van Golf vormen die worden gebruikt voor spraak herkenning.
  • Spoor trends op of verwijder seizoensgebonden effecten in slechte verkoop of economische gegevens.
  • Analyseer patronen of artefacten in telemetrie-signalen.

Deze modules bieden eenvoudige configuratie van filters met behulp van goed te doorzoeken algoritmen om Waveform-gegevens wiskundig te transformeren. U kunt ook een aangepast filter maken als u de juiste coëfficiënten al hebt bepaald om op uw gegevens toe te passen.

Als u taken wilt uitvoeren, zoals het uitsluiten van gegevens uit een gegevensset per rij, het verwijderen van ontbrekende waarden of het verminderen van de grootte van een gegevensset, gebruikt u deze modules in plaats daarvan:

  • Ontbrekende gegevens wissen: ontbrekende waarden verwijderen of ontbrekende waarden vervangen door tijdelijke aanduidingen.
  • Partitioneren en voor beeld: uw gegevensset delen of filteren met behulp van criteria zoals een datum bereik, een specifieke waarde of reguliere expressies.
  • Clip waarden: Stel een bereik van waarden in en behoud alleen de waarden in dat bereik.

Filters in digitale signaal verwerking

Net zoals u een filter aan een camera kunt koppelen om de verlichting te compenseren of speciale effecten te maken, kunt u een filter Toep assen op de gegevens die u gebruikt voor machine learning. Filters kunnen bijdragen aan een betere helderheid van een signaal, het vastleggen van interessante kenmerken of het verminderen van de ruis.

Het ideale filter zou alle ruis elimineren en een uniforme gevoeligheid voor het gewenste signaal hebben. Het ontwerpen van zelfs een pretty goed filter kan echter veel herhalingen of combi Naties van technieken in beslag nemen. Als u een effectief filter ontwerpt, kunt u het filter opslaan, zodat u het opnieuw gebruikt wanneer u nieuwe gegevens transformeert.

Over het algemeen is filteren gebaseerd op de principes van de Golf analyse. Wanneer u een filter ontwerpt, zoekt u naar manieren om delen van het signaal te onderdrukken of op te vullen, om onderliggende trends zichtbaar te maken, om ruis en interferentie te verminderen of om gegevens waarden te identificeren die anders niet worden waargenomen.

Er worden verschillende technieken toegepast voor het afbreken van afzonderlijke trends of Waveform-onderdelen die werkelijke gegevens waarden maken. De reeks waarden kan worden geanalyseerd met behulp van trigonometrische functies om afzonderlijke Golf vormen te identificeren en te isoleren. (Dit is waar, of het nu een Econometric-serie of de samengestelde frequenties van audio signalen is.) Filters kunnen vervolgens worden toegepast op deze golfsen om lawaai te elimineren, een aantal golven aan te vullen of doel onderdelen te verwijderen.

Wanneer filteren wordt toegepast op een ruis serie om verschillende onderdelen te isoleren, kunt u opgeven welke frequenties u wilt verwijderen of versterken door de band met frequenties op te geven waarmee moet worden gewerkt.

Digitale filters in Machine Learning Studio (klassiek)

De volgende typen filters worden ondersteund in Machine Learning Studio (klassiek):

  • Filters op basis van een ontleding van een Wave. Voor beelden zijn onder meer eind filters (Impulse Response) en oneindig Impulse Response (IIR). Deze filters werken door specifieke onderdelen uit een algemene serie te verwijderen. U kunt vervolgens de vereenvoudigde Waveform weer geven en onderzoeken.
  • Filters op basis van het verplaatsen van gemiddelden of mediaan waarden. Met deze filters worden variaties in een gegevens reeks vloeiend gemaakt door het gemiddelde van de tijd in Windows. Windows kan worden opgelost of verschuiven, en kan verschillende vormen hebben. Zo wordt een drie hoekig venster pieken bij het huidige gegevens punt (het gewicht van de huidige waarde sterker) en aflopend voor en na het gegevens punt (de waarden vóór en volgende in minder sterk).
  • Door de gebruiker gedefinieerde of aangepaste filters. Als u de trans formaties die moeten worden toegepast op een gegevens reeks al weet, kunt u een door de gebruiker gedefinieerd filter maken. U geeft de numerieke coëfficiënten op die worden toegepast om de gegevens reeks om te zetten. Met een aangepast filter kan een FIR-of IIR-filter worden geëmuleerd. Met een aangepast filter hebt u echter meer controle over de waarden die moeten worden toegepast op elk punt in de reeks.

Filter terminologie

De volgende lijst bevat eenvoudige definities van termen die worden gebruikt in de para meters en eigenschappen van filters:

  • Passband: het bereik van frequenties dat door een filter kan worden door gegeven zonder te worden verzwakkd of verzwakt.
  • Stopband: een bereik van frequenties tussen opgegeven limieten waarmee signalen niet worden door gegeven. U definieert de stopband door afbreek frequenties in te stellen.
  • Hoge Pass: alleen hoge frequenties laten door lopen.
  • Lage Pass: alleen frequenties accepteren onder een opgegeven waarde voor afnemen.
  • Hoek: definieert de grens tussen de stopband-en passband-frequenties. Normaal gesp roken hebt u de mogelijkheid om te bepalen of de hoek is opgenomen in of uitgesloten van de band. Een filter voor eerste volg orde zorgt voor geleidelijke demping tot de hoek frequentie. Daarna veroorzaakt het filter exponentiële demping. Filters met hogere volg orde (zoals Butterworth-en Chebyshev-filters) hebben steiler helling na de frequentie van de hoek. Met filters voor hogere volg orde worden de waarden in de stopband veel sneller en volledig verzwakt.
  • Bandstop-filter (ook wel een filter voor afwijzen van een band of een inkeping -filter): heeft slechts één stopband. U definieert het stopband door twee frequenties op te geven: de hoge afbreek frequentie en de lage afbreek frequentie. Een bandpass -filter heeft doorgaans twee stopbands: één aan beide zijden van het gewenste onderdeel.
  • Rimpel: een kleine, ongewenste variatie die regel matig wordt uitgevoerd. In Machine Learning kunt u opgeven hoeveel rimpel moet worden toegestaan als onderdeel van de para meters in het IIR-filter ontwerp.

Tip

Meer informatie nodig? Als u geen ervaring hebt met digitale signalen verwerking, raadpleegt u een inleiding tot digitale signaal verwerking. De website bevat definities en handige visuele hulp middelen waarmee basis terminologie en concepten worden uitgelegd.

Lijst met modules

De volgende modules zijn opgenomen in de categorie gegevens transformatie-filter :

Zie ook