Aplicar Transformação

• 05/06/2019
• 3 minutos para o fim da leitura
• • x
  • o

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

Categoria: Machine Learning/Pontuação

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:

• Remover ou substituir valores ausentes, usando limpar dados ausentes

• Desagrupar, dimensionar e normalizar dados, usando Normalize data ou dados de grupo em compartimentos

• Crie um conjunto de recursos de compactação calculando a distribuição de probabilidade conjunta de um conjunto de informações, usando os módulos aprendendo com contagens .

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:

• Detecção de fraudes online: Este exemplo demonstra como usar aplicar transformação com limpar dados ausentes, para garantir que os valores ausentes sejam tratados da mesma forma em todos os conjuntos de dados.

• Manutenção preditiva: demonstra como usar aplicar transformação com dados de Normalize.

• Aprendendo com contagens: usa aplicar transformação para reutilizar uma tabela de contagem.

Observações técnicas

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

• Limpar Dados Ausentes

• Normalizar Dados

• Agrupar Dados em Compartimentos

• Aprendendo com contagens

Entradas esperadas

Saídas

Exceções

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