Machine Learning - Modelo inicializ

  • Artigo

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

Este artigo descreve os módulos em Machine Learning Studio (clássico) que pode usar para definir um modelo de aprendizagem automática e definir os seus parâmetros.

Nota

Aplica-se a: Machine Learning Studio (clássico) apenas

Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.

Pode pensar no modelo não treinado como uma especificação que pode aplicar a diferentes conjuntos de dados de entrada. Pode aplicar a mesma especificação do modelo a diferentes dados e obter resultados diferentes. Ou pode usar a especificação para reconverter um modelo. Em seguida, pode adicionar novos dados.

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

Crie e use modelos de machine learning em Machine Learning Studio (clássico)

O fluxo de trabalho típico para machine learning inclui estas fases:

  • Escolha um algoritmo adequado e desemote as opções iniciais.
  • Treine o modelo utilizando dados compatíveis.
  • Crie previsões utilizando novos dados com base nos padrões do modelo.
  • Avalie o modelo para determinar se as previsões são precisas, a quantidade de erro e se ocorre excesso de adaptação.

Machine Learning Studio (clássico) suporta uma estrutura flexível e personalizável para machine learning. Cada tarefa neste processo é realizada por um tipo específico de módulo. Os módulos podem ser modificados, adicionados ou removidos sem quebrar o resto da sua experiência.

Utilize os módulos desta categoria para selecionar um algoritmo inicial. Em seguida, configurar parâmetros detalhados com base no tipo de modelo específico. Em seguida, pode aplicar esta especificação do modelo a um conjunto de dados.

Sobre a criação de modelos

Machine Learning fornece muitos algoritmos de aprendizagem automática de última geração para ajudá-lo a construir modelos analíticos. Cada algoritmo é embalado no seu próprio módulo. Para criar um modelo personalizado:

  1. Escolha um modelo por categoria.

    Os algoritmos são agrupados por tipos específicos de tarefas preditivas. Exemplos incluem regressão, classificação e reconhecimento de imagem. A sua primeira tarefa é identificar a categoria geral da tarefa de machine learning a executar e, em seguida, selecionar um algoritmo.

  2. Configurar parâmetros de algoritmo.

    Utilize o painel de propriedades em cada módulo para definir parâmetros. Os parâmetros controlam como o modelo aprende com os dados.

  3. Treine o modelo com dados.

    Depois de configurar o modelo, ligue um conjunto de dados. Em seguida, use um dos módulos de treino para executar dados através dos algoritmos que pretende usar.

    Pode utilizar hiperparímetros de modelo de sintonização para iterar sobre todos os parâmetros possíveis e determinar a configuração ideal para a sua tarefa e dados.

  4. Prever, marcar ou avaliar.

    Depois de construir e treinar um modelo, normalmente o seu próximo passo é usar um dos módulos de pontuação para gerar previsões com base no modelo.

    Pode utilizar os módulos para avaliação do modelo para medir a precisão do modelo com base nas pontuações que gera.

Lista de módulos

Os módulos desta categoria são organizados pelo tipo de algoritmo de aprendizagem automática que os módulos encapsulam. Cada tipo de algoritmo normalmente requer um tipo diferente de dados.

Além das categorias tradicionais de algoritmos de aprendizagem automática descritas aqui, os seguintes módulos fornecem tipos especializados de aprendizagem a partir de dados ou pré-processamento:

Ver também