Machine Learning - Model initialiseren

  • Artikel

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.

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

In dit artikel worden de modules in Machine Learning Studio (klassiek) beschreven die u kunt gebruiken om een machine learning definiëren en de parameters ervan in te stellen.

Notitie

Van toepassing op: Machine Learning Studio (klassiek)

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

U kunt het niet-getrainde model zien als een specificatie die u kunt toepassen op verschillende invoersets. U kunt dezelfde modelspecificatie toepassen op verschillende gegevens en verschillende resultaten krijgen. U kunt de specificatie ook gebruiken om een model opnieuw te trainen. Vervolgens kunt u nieuwe gegevens toevoegen.

In dit artikel wordt ook het algehele proces voor het maken, trainen, evalueren en scoren van een model in Machine Learning Studio (klassiek) beschreven.

Een model maken machine learning gebruiken in Machine Learning Studio (klassiek)

De gebruikelijke werkstroom voor machine learning omvat de volgende fasen:

  • Kies een geschikt algoritme en stel initiële opties in.
  • Het model trainen met behulp van compatibele gegevens.
  • Maak voorspellingen met behulp van nieuwe gegevens op basis van de patronen in het model.
  • Evalueer het model om te bepalen of de voorspellingen nauwkeurig zijn, de hoeveelheid fouten en of overfitting optreedt.

Machine Learning Studio (klassiek) ondersteunt een flexibel, aanpasbaar framework voor machine learning. Elke taak in dit proces wordt uitgevoerd door een specifiek type module. Modules kunnen worden gewijzigd, toegevoegd of verwijderd zonder de rest van uw experiment te verbreken.

Gebruik de modules in deze categorie om een eerste algoritme te selecteren. Configureer vervolgens gedetailleerde parameters op basis van het specifieke modeltype. U kunt deze modelspecificatie vervolgens toepassen op een set gegevens.

Over het maken van modellen

Machine Learning biedt veel state-of-the-art machine learning om u te helpen bij het bouwen van analytische modellen. Elk algoritme wordt verpakt in een eigen module. Een aangepast model maken:

  1. Kies een model op categorie.

    Algoritmen worden gegroepeerd op specifieke typen voorspellende taken. Voorbeelden zijn regressie, classificatie en afbeeldingsherkenning. Uw eerste taak is het identificeren van de algemene categorie van de machine learning uit te voeren en vervolgens een algoritme te selecteren.

  2. Algoritmeparameters configureren.

    Gebruik het deelvenster Eigenschappen in elke module om parameters in te stellen. Parameters bepalen hoe het model leert van gegevens.

  3. Train het model op gegevens.

    Nadat u het model hebt geconfigureerd, verbindt u een gegevensset. Gebruik vervolgens een van de trainingsmodules om gegevens uit te voeren via de algoritmen die u wilt gebruiken.

    U kunt Tune Model Hyperparameters gebruiken om alle mogelijke parameters te controleren en de optimale configuratie voor uw taak en gegevens te bepalen.

  4. Voorspellen, beoordelen of evalueren.

    Nadat u een model hebt gebouwd en traint, is de volgende stap meestal het gebruik van een van de scoremodules om voorspellingen te genereren op basis van het model.

    U kunt de modules voor modelevaluatie gebruiken om de nauwkeurigheid van het model te meten op basis van de scores die u genereert.

Lijst met modules

De modules in deze categorie zijn ingedeeld op basis van het type machine learning algoritme dat door de modules wordt ingekapseld. Elk type algoritme vereist doorgaans een ander type gegevens.

Naast de traditionele categorieën machine learning algoritmen die hier worden beschreven, bieden de volgende modules gespecialiseerde soorten leerprocessen op basis van gegevens of voorverwerking:

Zie ook