Aplicar Transformação

Aplica uma transformação de dados bem especificado a um conjunto de dados

Categoria: Machine Learning / Score

Nota

Aplica-se a: Machine Learning Studio (clássico)

Este conteúdo diz respeito apenas ao Studio (clássico). Módulos semelhantes de arrasto e queda foram adicionados ao designer de Aprendizagem automática Azure. Saiba mais neste artigo comparando as duas versões.

Visão geral do módulo

Este artigo descreve como usar o módulo De Transformação Aplicada no Azure Machine Learning Studio (clássico), para modificar um conjunto de dados de entrada baseado numa transformação previamente calculada.

Por exemplo, se usasse as pontuações z para normalizar os seus dados de treino utilizando o módulo de Dados Normalizados, também quereria utilizar o valor de z-score que foi calculado para treinar durante a fase de pontuação. No Azure Machine Learning Studio (clássico), pode fazê-lo facilmente guardando o método de normalização como uma transformação e, em seguida, usando Apply Transformation para aplicar o z-score nos dados de entrada antes de marcar.

O Azure Machine Learning Studio (clássico) fornece suporte para criar e, em seguida, aplicar muitos tipos diferentes de transformações personalizadas. Por exemplo, é melhor guardar e depois reutilizar transformações que façam o seguinte:

Como usar a Transformação De Aplicar

  1. Adicione o módulo de Transformação De Aplicar à sua experiência. Pode encontrar o módulo thi em Machine Learning, na categoria Pontuação.

  2. Localize uma transformação existente para usar como entrada.

    Se a transformação foi criada mais cedo na experiência (por exemplo, como parte de uma operação de limpeza ou de escalonamento de dados) normalmente o objeto de interface ITransform está disponível na saída direita do módulo. Ligue essa saída à entrada esquerda da Apply Transformation.

    As transformações previamente guardadas podem ser encontradas no grupo Transforms no painel de navegação esquerdo.

    Dica

    Se conceber uma transformação para uma experiência mas não a salvar explicitamente, a transformação está disponível no espaço de trabalho enquanto a sua sessão estiver aberta. Se fechar a sessão mas não salvar a transformação, pode reexaminar a experiência para gerar o objeto de interface ITransform.

  3. Ligue o conjunto de dados que pretende transformar. O conjunto de dados deve ter exatamente o mesmo esquema (número de colunas, nomes de colunas, tipos de dados) que o conjunto de dados para o qual a transformação foi concebida pela primeira vez.

  4. Não é necessário definir outros parâmetros; toda a personalização é feita ao definir a transformação.

  5. Para aplicar uma transformação no novo conjunto de dados, executar a experiência.

Exemplos

Para ver como este módulo é usado na aprendizagem automática, consulte a Galeria Azure AI:

Notas técnicas

O módulo De Transformação De Aplicação pode ter como entrada a saída de qualquer módulo que crie uma interface ITransform. Estes módulos incluem:

Dica

Também pode guardar e reutilizar filtros concebidos para o processamento de sinais digitais. No entanto, os filtros utilizam a interface de interface IFilter, em vez da interface ITransform.

Entradas esperadas

Nome Tipo Descrição
Transformação Interface ITransform Uma transformação de dados nãoary
Conjunto de dados Tabela de Dados Conjunto de dados a ser transformado

Saídas

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

Exceções

Exceção Descrição
Erro 0003 A exceção ocorre se uma ou mais entradas forem nulas ou vazias.

Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte códigos de erro de aprendizagem automática.

Para obter uma lista de exceções da API, consulte códigos de erro da API de aprendizagem automática.

Ver também

Filtro
Aplicar transformação SQL
Limpar dados em falta
Normalizar dados
Lista de Módulos A-Z
Agrupar Dados em Posições