Beschrijvingen van Machine Learning-module

In dit onderwerp vindt u een overzicht van alle modules die zijn opgenomen in azure machine learning Studio (klassiek). Dit is een interactieve, visuele werk ruimte waarmee u eenvoudig voorspellende modellen kunt bouwen en testen.

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.

Wat is een module?

In Machine Learning Studio (klassiek) is een module een bouw steen voor het maken van experimenten. Elke module kapselt een specifieke machine learning algoritme, functie of code bibliotheek die kan reageren op gegevens in uw werk ruimte. De modules zijn ontworpen voor het accepteren van verbindingen van andere modules, om gegevens te delen en te wijzigen.

De code die in elke module wordt uitgevoerd, is afkomstig uit een groot aantal bronnen. Dit zijn onder andere open source-bibliotheken en talen, algoritmen die zijn ontwikkeld door micro soft Research en hulpprogram ma's voor het werken met Azure en andere Cloud Services.

Tip

Bent u op zoek naar machine learning-algoritmen? Zie de categorie machine learning , die modules bevat voor beslissings structuren, clusters, Neural netwerken, onder andere. De categorieën trainen en evalueren bevatten modules om uw modellen te trainen en te testen.

Door verbinding te maken en de modules te configureren, kunt u een werk stroom die gegevens uit externe bronnen leest, voorbereiden voor analyse, Toep assen op machine learning algoritmen en resultaten genereren.

Wanneer een experiment is geopend in machine learning Studio (klassiek), ziet u de volledige lijst met huidige modules in het navigatie deel venster links. U sleept deze bouw stenen naar uw experiment en verbindt deze vervolgens om een complete machine learning-werk stroom te maken. dit wordt een experiment genoemd.

Soms worden modules bijgewerkt om nieuwe functionaliteit toe te voegen of om oudere code te verwijderen. Als dit gebeurt, worden alle experimenten die u hebt gemaakt die gebruikmaken van de module, nog steeds uitgevoerd. De volgende keer dat u het experiment opent, wordt u gevraagd om de module bij te werken of om een andere module te gebruiken.

Voorbeelden

Zie de volgende zelf studies voor een voor beeld van hoe u een volledig machine learning experiment bouwt:

Modulecategorieën

Om het gemakkelijker te maken om verwante modules te vinden, worden de machine learning-hulpprogram ma's in Machine Learning Studio (klassiek) gegroepeerd op deze categorieën.

Conversies van gegevens indeling

Gebruik deze modules om gegevens te converteren naar een van de indelingen die worden gebruikt door andere machine learning-hulpprogram ma's of-indelingen.

  • Gegevens invoer en-uitvoer

    Gebruik deze modules om gegevens en modellen te lezen uit Cloud gegevens bronnen, waaronder Hadoop-clusters, Azure-tabel opslag en Web-Url's. U kunt deze modules ook gebruiken om resultaten naar opslag of naar een Data Base te schrijven.

  • Gegevenstransformatie

    Gebruik deze modules om gegevens voor te bereiden voor analyse. U kunt gegevens typen wijzigen, kolommen markeren als functies of labels, functies genereren en gegevens schalen of normaliseren.

  • Filter

    Numerieke gegevens die zijn afgeleid van digitale signaal verwerking transformeren.

  • Leren met aantallen

    Gebruik gemeen schappelijke kansverdelingen om functies te bouwen waarmee grote gegevens sets compact worden beschreven.

  • Kenmerken

    Deze groep biedt een aantal hulpprogram ma's voor gegevens wetenschap. U kunt bijvoorbeeld ontbrekende waarden verwijderen of vervangen, een subset van kolommen kiezen, een kolom toevoegen of twee gegevens sets samen voegen.

  • Voor beeld en splitsing

    Een gegevensset verdelen op basis van criteria of grootte, om trainings-en test sets te maken of om bepaalde rijen te isoleren.

  • Schalen en verminderen

    Numerieke gegevens transformeren.

Functie selectie

Met deze modules kunt u de beste functies in uw gegevens identificeren met behulp van uitgebreide, door gegeven statistische methoden.

Machine Learning

Deze groep bevat de meeste machine learning algoritmen die door Machine Learning worden ondersteund.

Het bevat ook modules die bedoeld zijn voor de ondersteuning van de algoritmen door trainings modellen, het genereren van scores en het evalueren van de prestaties van modellen.

  • Gecontroleerd

    Nadat u een model hebt getraind, gebruikt u deze hulpprogram ma's om de nauw keurigheid van het model te meten.

  • Initialiseren

    Deze modules bieden de machine learning algoritmen, die u kunt aanpassen door para meters in te stellen. De algoritmen in deze sectie zijn gegroepeerd op type:

  • Score

    Gebruik deze modules om nieuwe gegevens door te geven via het algoritme en een set resultaten te genereren voor evaluatie. U kunt ook de resultaten van Score gebruiken als onderdeel van een voorspellende service.

  • Trainen

    Deze modules trainen een geïnitialiseerd machine learning model op gegevens die u verstrekt.

OpenCV-bibliotheek modules

Met deze modules hebt u eenvoudig toegang tot een populaire open-source bibliotheek voor de verwerking van afbeeldingen en de classificatie van installatie kopieën.

R-taal modules

Gebruik deze modules om aangepaste R-code toe te voegen aan uw experiment of implementeer een machine learning model op basis van een R-pakket.

Python-taal modules

Gebruik deze modules om aangepaste python-code toe te voegen aan uw experiment.

Statistische functies

Gebruik deze modules voor het berekenen van waarschijnlijkheids distributies, het maken van aangepaste berekeningen en het uitvoeren van een groot aantal andere taken met betrekking tot numerieke variabelen.

Tekstanalyse

Gebruik deze modules om functie-hashing en benoemde entiteits herkenning uit te voeren, of om tekst voor te verwerken met behulp van hulpprogram ma's voor natuurlijke taal verwerking.

Tijd reeks

Gebruik deze modules om afwijkingen in trends te beoordelen door algoritmen te gebruiken die speciaal zijn ontworpen voor tijdreeks gegevens.

Machine Learning Studio (klassieke) modules proberen geen dubbele hulpprogram ma's voor gegevens integratie te dupliceren die worden ondersteund in andere hulpprogram ma's, zoals Azure Data Factory. In plaats daarvan bieden de modules specifieke functionaliteit voor machine learning:

  • Normalisatie, groepering en schalen van gegevens
  • Statistische distributie van gegevens berekenen
  • Conversie naar andere machine learning indelingen
  • Invoer van gegevens die worden gebruikt voor het machine learning experimenten en het exporteren van resultaten
  • Tekst analyse, functie selectie en dimensionale reductie

Als u meer geavanceerde faciliteiten nodig hebt voor het bewerken van gegevens en opslag, raadpleegt u het volgende:

Zie ook