Aplicar Transformação

Aplica uma transformação de dados bem definida para um conjunto de dados

Categoria: Machine Learning/Pontuação

Observação

Aplica-se a: Machine Learning Studio (clássico)

Esse conteúdo pertence apenas ao estúdio (clássico). Módulos de arrastar e soltar semelhantes foram adicionados ao designer de Azure Machine Learning. Saiba mais neste artigo comparando as duas versões.

Visão geral do módulo

Este artigo descreve como usar o módulo aplicar transformação no Azure Machine Learning Studio (clássico) para modificar um conjunto de dados de entrada com base em uma transformação computada anteriormente.

Por exemplo, se você usou pontuações z para normalizar seus dados de treinamento usando o módulo normalizar dados , convém usar o valor de pontuação z que foi calculado para treinamento durante a fase de Pontuação também. No Azure Machine Learning Studio (clássico), você pode fazer isso facilmente salvando o método de normalização como uma transformação e, em seguida, usando aplicar transformação para aplicar a pontuação z aos dados de entrada antes da pontuação.

Azure Machine Learning Studio (clássico) fornece suporte para criar e aplicar vários tipos diferentes de transformações personalizadas. Por exemplo, talvez você queira salvar e, em seguida, reutilizar as transformações que fazem o seguinte:

Como usar aplicar transformação

  1. Adicione o módulo aplicar transformação ao seu experimento. Você pode encontrar o módulo est em Machine Learning, na categoria Score .

  2. Localize uma transformação existente para usar como uma entrada.

    Se a transformação tiver sido criada anteriormente no experimento (por exemplo, como parte de uma operação de limpeza ou de dimensionamento de dados), normalmente o objeto de interface ITransform estará disponível na saída do lado direito do módulo. Conecte essa saída à entrada à esquerda de aplicar transformação.

    As transformações salvas anteriormente podem ser encontradas no grupo transformações no painel de navegação esquerdo.

    Dica

    Se você projetar uma transformação para um experimento, mas não salvá-la explicitamente, a transformação estará disponível no espaço de trabalho, desde que sua sessão esteja aberta. Se você fechar a sessão, mas não salvar a transformação, poderá executar novamente o experimento para gerar o objeto de interface ITransform .

  3. Conecte o conjunto de um que você deseja transformar. O DataSet deve ter exatamente o mesmo esquema (número de colunas, nomes de coluna, tipos de dados) que o conjunto para o qual a transformação foi criada primeiro.

  4. Nenhum outro parâmetro precisa ser definido. Toda a personalização é feita ao definir a transformação.

  5. Para aplicar uma transformação ao novo conjunto de um, execute o experimento.

Exemplos

Para ver como esse módulo é usado no aprendizado de máquina, consulte o Galeria de ia do Azure:

Observações técnicas

O módulo aplicar transformação pode usar como entrada a saída de qualquer módulo que cria uma interface ITransform. Esses módulos incluem:

Dica

Você também pode salvar e reutilizar filtros criados para processamento de sinal digital. No entanto, os filtros usam a interface de interface do IFilter , em vez da interface ITransform.

Entradas esperadas

Nome Tipo Descrição
Transformation Interface ITransform Uma transformação de dados unários
Conjunto de dados Tabela de Dados Conjunto de dados a serem transformados

Saídas

Nome Tipo Descrição
Conjunto de dados transformados Tabela de Dados Conjunto de dados transformados

Exceções

Exceção Descrição
Erro 0003 Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia.

Para obter uma lista de erros específicos para módulos do Studio (clássicos), consulte Machine Learning códigos de erro.

Para obter uma lista de exceções de API, consulte Machine Learning códigos de erro da API REST.

Confira também

Sem
Aplicar transformação SQL
Limpar dados ausentes
Normalizar dados
Lista de módulos a-Z
Agrupar Dados em Compartimentos