Model trainen

Traint een classificatie of regressie model op een gecontroleerde manier

Categorie: machine learning/trein

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 module Train model in azure machine learning Studio (klassiek) gebruikt voor het trainen van een classificatie of regressie model. De training vindt plaats nadat u een model hebt gedefinieerd en de para meters hebt ingesteld, en dat gelabelde gegevens vereist. U kunt ook het Train-model gebruiken om een bestaand model opnieuw te trainen met nieuwe gegevens.

Hoe het trainings proces werkt

In Azure Machine Learning is het maken en gebruiken van een machine learning model doorgaans een proces dat uit drie stappen bestaat.

  1. U configureert een model door een bepaald type algoritme te kiezen en de para meters of Hyper parameters te definiëren. Kies een van de volgende model typen:

    • Classificatie modellen, gebaseerd op Neural-netwerken, beslissings structuren en beslissings bossen en andere algoritmen.
    • Regressie modellen, die standaard lineaire regressie kunnen bevatten, of die gebruikmaken van andere algoritmen, waaronder Neural netwerken en Baysian regressie.
  2. Geef een gegevensset op die een label heeft en die gegevens bevat die compatibel zijn met het algoritme. Verbind zowel de gegevens als het model om het model te trainen.

    Wat de training produceert, is een specifieke binaire indeling, de iLearner, die de statistische patronen inkapselt die zijn geleerd van de gegevens. U kunt deze indeling niet rechtstreeks wijzigen of lezen. andere modules in Studio (klassiek) kunnen echter dit getrainde model gebruiken.

    U kunt ook de eigenschappen van het model weer geven. Zie de sectie met resultaten voor meer informatie.

  3. Nadat de training is voltooid, kunt u het getrainde model met een van de Score modulesgebruiken om voor spellingen te doen op nieuwe gegevens.

Notitie

Andere gespecialiseerde machine learning taken vereisen verschillende trainings methoden en Studio (klassiek) biedt afzonderlijke trainings modules. Voor beeld: detectie van afbeeldingen, clusteren en anomalie detction gebruiken alle aangepaste trainings methoden. Train model is alleen bedoeld voor gebruik met regressie-en classificatie modellen.

Onder Super visie en onbewaakte training

Mogelijk hebt u de voor waarden onder Super visie of zonder Super visie geleerd. Training van een classificatie of regressie model met Train model is een klassiek voor beeld van machine learning met Super visie. Dit betekent dat u een gegevensset moet opgeven die historische gegevens bevat waaruit patronen kunnen worden afgeleid. De gegevens moeten zowel het resultaat (label) bevatten dat u wilt voors pellen en gerelateerde factoren (variabelen). Het machine learning model heeft de resultaten nodig om de functies te bepalen die de resultaten het beste kunnen voors pellen.

Tijdens het trainings proces worden de gegevens gesorteerd op resultaten en het algoritme haalt statistische patronen op om het model te bouwen.

Met untoezichtd Learning wordt aangegeven dat het resultaat onbekend is, of dat u geen bekende labels wilt gebruiken. Clustering-algoritmen gebruiken bijvoorbeeld doorgaans onbewaakte leer methoden, maar kunnen wel gebruikmaken van labels, indien beschikbaar. Een ander voor beeld is het maken van een onderwerpen model met LDA. U kunt het Train model niet gebruiken met deze algoritmen.

Tip

Nieuw in machine learning? Deze zelf studie leidt u door het proces van het ophalen van gegevens, het configureren van een algoritme, training en het gebruik van een model: uw eerste machine learning-experiment maken

Train model gebruiken

  1. Configureer in Azure Machine Learning Studio (klassiek) een classificatie model of regressie model modellen.

    U kunt ook een aangepast model trainen dat is gemaakt met behulp van R-model maken.

  2. Voeg de module Train model toe aan het experiment. U kunt deze module vinden onder de categorie machine learning . Vouw Trainuit en sleep de module Train model naar uw experiment.

  3. Koppel de niet-getrainde modus aan de linkerkant. Koppel de trainings gegevensset aan de rechter invoer van Train model.

    De trainings gegevensset moet een kolom Label bevatten. Alle rijen zonder labels worden genegeerd.

  4. Klik voor kolom Labelop kolom kiezer startenen kies één kolom die de resultaten bevat die het model kan gebruiken voor de training.

    • Voor classificatie problemen moet de kolom label categorische waarden of discrete waarden bevatten. Enkele voor beelden zijn een Ja/Nee-classificatie, een ziekte classificatie code of naam of een inkomsten groep. Als u een noncategorical-kolom selecteert, wordt er tijdens de training een fout geretourneerd door de module.

    • Voor regressie problemen moet de kolom label numerieke gegevens bevatten die de variabele antwoord vertegenwoordigt. In het ideale geval duiden de numerieke gegevens op een doorlopende schaal.

    Voor beelden hiervan zijn een score voor een credit risico, de geschatte tijd voor het mislukken van een harde schijf of het verwachte aantal aanroepen naar een Call Center op een bepaalde dag of tijd. Als u geen numerieke kolom kiest, wordt er mogelijk een fout bericht weer geven.

    • Als u niet opgeeft welke label kolom u wilt gebruiken, wordt Azure Machine Learning afleiden dat de juiste label kolom is door gebruik te maken van de meta gegevens van de gegevensset. Als de verkeerde kolom wordt gekozen, gebruikt u de kolom kiezer om deze te corrigeren.

    Tip

    Als u problemen ondervindt met het gebruik van de kolom kiezer, raadpleegt u het artikel kolommen in gegevensset selecteren voor tips. Hierin worden enkele algemene scenario's en tips beschreven voor het gebruik van de opties with Rules en op naam .

  5. Voer het experiment uit. Als u veel gegevens hebt, kan dit enige tijd duren.

Levert

Nadat het model is getraind:

  • Als u de model parameters en functie-gewichten wilt weer geven, klikt u met de rechter muisknop op de uitvoer en selecteert u visualiseren.

  • Als u het model in andere experimenten wilt gebruiken, klikt u met de rechter muisknop op het model en selecteert u model opslaan. Typ een naam voor het model.

    Hiermee slaat u het model op als een moment opname die niet wordt bijgewerkt door herhaalde uitvoeringen van het experiment.

  • Als u het model wilt gebruiken bij het voors pellen van nieuwe waarden, verbindt u het met de module score model , samen met nieuwe invoer gegevens.

Als u een type model wilt trainen dat niet door Train modelwordt ondersteund, zijn er verschillende opties:

  • Maak een aangepaste Score methode met R-script, of gebruik een van de vele R-Score pakketten die beschikbaar zijn.

  • Schrijf uw eigen python-script om een model te trainen en te scoren, of gebruik een bestaande python-bibliotheek:

  • Anomalie detectie modellen

  • Aanbevelings modellen

    • Als uw model gebruikmaakt van het aanbevolen matchbox in Azure Machine Learning, gebruikt u de module Train matchbox aanbevelen .

    • Als u een ander algoritme gebruikt voor Market Basket Analysis of aanbeveling, gebruikt u de trainings methoden van het R-script of het python-script.

  • Cluster modellen

Voorbeelden

Voor voor beelden van de manier waarop de module Train model wordt gebruikt in machine learning experimenten, raadpleegt u deze experimenten in de Azure AI Gallery:

  • Retail prognose: demonstreert hoe u meerdere modellen bouwt, traint en vergelijkt.
  • Voor spelling van de vlucht vertraging: demonstreert hoe u meerdere gerelateerde classificatie modellen traint.

Verwachte invoer

Naam Type Beschrijving
Niet-traind model ILearner-interface Niet-uitgetrainde leerer
Gegevensset Gegevens tabel Trainingsgegevens

Module parameters

Naam Bereik Type Standaard Beschrijving
Kolom Label alle ColumnSelection Selecteer de kolom die de kolom Label of het resultaat bevat

Outputs

Naam Type Beschrijving
Getraind model ILearner-interface Ervaren kenniser

Uitzonderingen

Zie voor een lijst met alle module fouten module fout codes.

Uitzondering Beschrijving
Fout 0032 Uitzonde ring treedt op als argument geen getal is.
Fout 0033 Uitzonde ring treedt op als argument oneindig is.
Fout 0083 Uitzonde ring treedt op als de gegevensset die wordt gebruikt voor de training, niet kan worden gebruikt voor een concreet type leerder.
Fout 0035 Uitzonde ring treedt op als er geen functies voor een gegeven gebruiker of item zijn opgegeven.
Fout 0003 Uitzonde ring treedt op als een of meer invoer waarden null of leeg zijn.
Fout 0020 Uitzonde ring treedt op als het aantal kolommen in sommige gegevens sets die aan de module zijn door gegeven, te klein is.
Fout 0021 Uitzonde ring treedt op als het aantal rijen in een deel van de gegevens sets die aan de module zijn door gegeven, te klein is.
Fout 0013 Er treedt een uitzonde ring op als door gegeven aan de module-leerder een ongeldig type heeft.

Zie ook

Model evalueren
Module lijst a-Z