Machine Learning-inicializar modelo

Este artigo descreve os módulos no Azure Machine Learning Studio (clássico) que você pode usar para definir um modelo de aprendizado de máquina e definir seus parâmetros.

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.

Você pode considerar o modelo não treinado como uma especificação que pode ser aplicada a diferentes conjuntos de dados de entrada. Você pode aplicar a mesma especificação de modelo a dados diferentes e obter resultados diferentes. Ou, você pode usar a especificação para treinar novamente um modelo. Em seguida, você pode adicionar novos dados.

Este artigo também descreve o processo geral de criação, treinamento, avaliação e pontuação de um modelo no Machine Learning Studio (clássico).

Criar e usar modelos de aprendizado de máquina no Machine Learning Studio (clássico)

O fluxo de trabalho típico para Machine Learning inclui estas fases:

  • Escolha um algoritmo adequado e defina as opções iniciais.
  • Treine o modelo usando dados compatíveis.
  • Crie previsões usando novos dados com base nos padrões no modelo.
  • Avalie o modelo para determinar se as previsões são precisas, a quantidade de erros e se o sobreajuste ocorre.

Machine Learning Studio (clássico) dá suporte a uma estrutura flexível e personalizável para o aprendizado de máquina. Cada tarefa nesse processo é executada por um tipo específico de módulo. Os módulos podem ser modificados, adicionados ou removidos sem interromper o restante do experimento.

Use os módulos nessa categoria para selecionar um algoritmo inicial. Em seguida, configure parâmetros detalhados com base no tipo de modelo específico. Você pode aplicar essa especificação de modelo a um conjunto de dados.

Sobre a criação de modelos

A Azure Machine Learning fornece muitos algoritmos de aprendizado de máquina de ponta para ajudá-lo a criar modelos analíticos. Cada algoritmo é empacotado em seu próprio módulo. Para criar um modelo personalizado:

  1. Escolha um modelo por categoria.

    Os algoritmos são agrupados por tipos específicos de tarefas preditivas. Os exemplos incluem regressão, classificação e reconhecimento de imagem. Sua primeira tarefa é identificar a categoria geral da tarefa de aprendizado de máquina a ser executada e, em seguida, selecionar um algoritmo. Se precisar de ajuda para selecionar um algoritmo, consulte estes recursos:

  2. Configure os parâmetros do algoritmo.

    Use o painel Propriedades em cada módulo para definir parâmetros. Os parâmetros controlam como o modelo aprende dos dados.

  3. Treinar o modelo nos dados.

    Depois de configurar o modelo, conecte um conjunto de um DataSet. Em seguida, use um dos módulos de treinamento para executar dados por meio dos algoritmos que você deseja usar.

    Você pode usar os hiperparâmetros de modelo de ajuste para iterar em todos os parâmetros possíveis e determinar a configuração ideal para a tarefa e os dados.

  4. Prever, pontuar ou avaliar.

    Depois de criar e treinar um modelo, normalmente a próxima etapa é usar um dos módulos de Pontuação para gerar previsões com base no modelo.

    Você pode usar os módulos para avaliação de modelo para medir a precisão do modelo com base nas pontuações que você gera.

Lista de módulos

Os módulos nessa categoria são organizados pelo tipo de algoritmo de aprendizado de máquina que os módulos encapsulam. Cada tipo de algoritmo geralmente requer um tipo diferente de dados.

Além das categorias de algoritmos de aprendizado de máquina tradicionais descritas aqui, os seguintes módulos fornecem tipos especializados de aprendizado de dados ou pré-processamento:

Consulte também