Odwołanie & do składnika algorytmu dla Azure Machine Learning projektanta

Ta zawartość referencyjna zawiera informacje techniczne dotyczące poszczególnych algorytmów i składników uczenia maszynowego dostępnych w Azure Machine Learning projektanta.

Każdy składnik reprezentuje zestaw kodu, który może być uruchamiany niezależnie i wykonywać zadanie uczenia maszynowego, biorąc pod uwagę wymagane dane wejściowe. Składnik może zawierać określony algorytm lub wykonywać ważne zadanie w uczeniu maszynowym, takie jak zastępowanie brakujących wartości lub analiza statystyczna.

Aby uzyskać pomoc w wyborze algorytmów, zobacz

Porada

W dowolnym potoku w projektancie można uzyskać informacje o określonym składniku. Wybierz link Dowiedz się więcej na karcie składnika po umieszczeniu wskaźnika myszy na składniku na liście składników lub w okienku po prawej stronie składnika.

Składniki przygotowywania danych

Funkcjonalność Opis składnik
Dane wejściowe i wyjściowe Przenoszenie danych ze źródeł w chmurze do potoku. Zapisz wyniki lub dane pośrednie w usłudze Azure Storage, SQL Database lub Hive podczas uruchamiania potoku lub użyj magazynu w chmurze do wymiany danych między potokami. Ręczne wprowadzanie danych
Eksportowanie danych
Importowanie danych
Przekształcanie danych Operacje na danych, które są unikatowe dla uczenia maszynowego, takie jak normalizacja lub bięcie danych, redukcja wymiarów i konwertowanie danych między różnymi formatami plików. Dodawanie kolumn
Dodawanie wierszy
Stosowanie operacji matematycznej
Stosowanie przekształcenia SQL
Czyszczenie brakujących danych
Obcinanie wartości
Konwertowanie na plik CSV
Konwertowanie na zestaw danych
Konwertowanie na wartości wskaźnika
Edytowanie metadanych
Grupowanie danych w pojemniki
Łączenie danych
Normalizowanie danych
Partycjonowanie i próbkowanie
Usuwanie zduplikowanych wierszy
SMOTE
Wybieranie przekształcenia kolumn
Wybieranie kolumn w zestawie danych
Dzielenie danych
Wybór funkcji Wybierz podzbiór odpowiednich przydatnych funkcji do użycia podczas tworzenia modelu analitycznego. Wybór funkcji oparty na filtrze
Ważność funkcji permutacji
Funkcje statystyczne Zapewnianie szerokiej gamy metod statystycznych związanych z nauką o danych. Podsumowywanie danych

Algorytmy uczenia maszynowego

Funkcjonalność Opis składnik
Regresja Przewidywanie wartości. Regresja wzmocnionego drzewa decyzyjnego
Regresja lasu decyzyjnego
Szybka regresja kwantylowa lasu decyzyjnego
Regresja liniowa
Regresja sieci neuronowej
Regresja Poissona
Klastrowanie Grupowanie danych. Klastrowanie metodą k-średnich
Klasyfikacja Przewidywanie klasy. Wybierz algorytm binarny (dwuklasowy) lub wieloklasowy. Wieloklasowe wzmocnione drzewo decyzyjne
Wieloklasowy las decyzyjny
Wieloklasowa regresja logistyczna
Wieloklasowa sieć neuronowa
Jeden przeciw wszystkim — moduł wieloklasowy
Jeden przeciw Wiele multiklas
Dwuklasowy uśredniony perceptron
Two-Class Boosted Decision Tree (Dwuklasowe wzmocnione drzewo decyzyjne)
Dwuklasowy las decyzyjny
Dwuklasowa regresja logistyczna
Dwuklasowa sieć neuronowa
Dwuklasowa maszyna wektorów nośnych

Składniki do tworzenia i oceniania modeli

Funkcjonalność Opis składnik
Trenowanie modelu Uruchamianie danych za pomocą algorytmu. Trenowanie modelu klastrowania
Trenowanie modelu
Trenowanie modelu Pytorcha
Dostrajanie hiperparametrów modelu
Ocenianie i ocenianie modelu Zmierz dokładność wytrenowany model. Stosowanie przekształcenia
Przypisywanie danych do klastrów
Krzyżowa weryfikacja modelu
Ocena modelu
Ocenianie modelu obrazów
Klasyfikacja modelu
Język Python Napisz kod i osadź go w składniku, aby zintegrować język Python z potokiem. Tworzenie modelu języka Python
Wykonywanie skryptu w języku Python
Język R Napisz kod i osadź go w składniku, aby zintegrować kod R z potokiem. Wykonywanie skryptu języka R
Analiza tekstu Zapewnianie wyspecjalizowanych narzędzi obliczeniowych do pracy z tekstem ze strukturą i bez struktury. Konwertowanie słów na wektory
Wyodrębnianie cech n-gramów z tekstu
Tworzenie skrótów funkcji
Wstępne przetwarzanie tekstu
Alokacja ukrytej zmiennej Dirichleta
Ocenianie modelu Vowpal Wabbit
Trenowanie modelu Vowpal Wabbit
Przetwarzanie obrazów Składniki związane z przetwarzaniem wstępnym danych obrazów i rozpoznawaniem obrazów. Stosowanie transformacji obrazów
Konwertowanie na katalog obrazów
Inicjowanie transformacji obrazów
Dzielenie katalogu obrazów
Model DenseNet
Model ResNet
Zalecenie Tworzenie modeli rekomendacji. Ocena modułu poleceń
Wynik modułu poleceń SVD
Wyniki modułu poleceń Wide and Deep
Trenowanie modułu poleceń SVD
Trenowanie modułu poleceń Wide and Deep
Wykrywanie anomalii Tworzenie modeli wykrywania anomalii. Wykrywanie anomalii oparte na analizie głównych składowych
Trenowanie modelu wykrywania anomalii

Usługa internetowa

Dowiedz się więcej o składnikach usługi internetowej, które są niezbędne do wnioskowania w czasie rzeczywistym w Azure Machine Learning projektanta.

Komunikaty o błędach

Dowiedz się więcej o komunikatach o błędach i kodach wyjątków, które mogą wystąpić przy użyciu składników Azure Machine Learning projektanta.

Następne kroki