Ссылка на модуль & алгоритма для конструктора Машинное обучение AzureAlgorithm & module reference for Azure Machine Learning designer

Это справочное содержимое содержит технические сведения о каждом из алгоритмов и модулей машинного обучения, доступных в Машинное обучение Azure Designer (Предварительная версия).This reference content provides the technical background on each of the machine learning algorithms and modules available in Azure Machine Learning designer (preview).

Каждый модуль представляет собой набор кода, который может выполняться независимо и выполнять задачу машинного обучения с учетом требуемых входных данных.Each module represents a set of code that can run independently and perform a machine learning task, given the required inputs. Модуль может содержать определенный алгоритм или выполнять задачу, важную для машинного обучения, например, замена отсутствующего значения или статистический анализ.A module might contain a particular algorithm, or perform a task that is important in machine learning, such as missing value replacement, or statistical analysis.

Совет

В любом конвейере в конструкторе можно получить сведения о конкретном модуле.In any pipeline in the designer, you can get information about a specific module. Выберите модуль, а затем щелкните ссылку more help (дополнительная помощь) в области Quick Help (Экспресс-справка).Select the module, then select the more help link in the Quick Help pane.

модулиModules

Модули организованы по функциональным возможностям:Modules are organized by functionality:

ФункцииFunctionality ОПИСАНИЕDescription модульModule
Входные и выходные данныеData input and output Перемещение данных из облачных источников в конвейер.Move data from cloud sources into your pipeline. Запишите результаты или промежуточные данные в службу хранилища Azure, базу данных SQL или Hive, во время выполнения конвейера или используйте облачное хранилище для обмена данными между конвейерами.Write your results or intermediate data to Azure Storage, a SQL database, or Hive, while running an pipeline, or use cloud storage to exchange data between pipelines. Импорт данныхImport Data
Ввод данных вручнуюEnter Data Manually
Экспорт данныхExport Data
Преобразование данных.Data transformation Операции с данными, которые являются уникальными для машинного обучения, такие как нормализация или группирования данных, уменьшение размерности и преобразование данных в различные форматы файлов.Operations on data that are unique to machine learning, such as normalizing or binning data, dimensionality reduction, and converting data among various file formats. Добавить столбцыAdd Columns
Добавить строкиAdd Rows
Очистить отсутствующие данныеClean Missing Data
Преобразовать в CSV-файлConvert to CSV
Преобразовать в набор данныхConvert to Dataset
Изменить метаданныеEdit Metadata
Объединение данныхJoin Data
Нормализация данныхNormalize Data
Удалить дублирующиеся строкиRemove Duplicate Rows
Преобразование "Выбор столбцов"Select Columns Transform
Выбор столбцов в наборе данныхSelect Columns in Dataset
выборкиSampling Разбейте данные на один или несколько подмножеств подмножеств для обучения и тестирования моделей машинного обучения.Split your data into one or more subsets subsets to train and test machine learning models. Перекрестная проверка моделиCross Validate Model
Секционирование и выборкаPartition and Sample
смотеSMOTE
Split Data (Разделение данных);Split Data
Выбор компонентовFeature Selection Выберите подмножество важных, полезных функций, используемых при построении аналитической модели.Select a subset of relevant, useful features to use in building an analytical model. Выбор компонентов на основе фильтраFilter Based Feature Selection
Важность функции перестановкиPermutation Feature Importance
Python и RPython and R Напишите код и внедрите его в модуль, чтобы интегрировать Python и R с вашим конвейером.Write code and embed it in a module to integrate Python and R with your pipeline. Создание модели PythonCreate Python Model
Выполнение скрипта PythonExecute Python Script
Выполнить сценарий RExecute R Script
Текстовая аналитикаText Analytics Предоставляют специализированные вычислительные средства для работы с структурированным и неструктурированным текстом.Provide specialized computational tools for working with both structured and unstructured text. Извлечь из текста N функций для грамматики.Extract N Gram Features from Text
Хэширование компонентовFeature Hashing
Предварительная обработка текстаPreprocess Text
Алгоритмы машинного обучения:Machine learning algorithms:
КлассификацияClassification Прогнозирование класса.Predict a class. Выберите один из двоичных (двух классов) или многоклассовых алгоритмов.Choose from binary (two-class) or multiclass algorithms. Лес решений в многоклассовых решенияхMulticlass Decision Forest
Многоклассическое дерево принятия решенийMulticlass Boosted Decision Tree
Логистическая регрессия в многоклассовойMulticlass Logistic Regression
Многоклассовая нейронная сетьMulticlass Neural Network
Сравнение нескольких классовOne vs. All Multiclass
Логистическая регрессия двух классовTwo-Class Logistic Regression
Среднее перцептрона, основанное на двух классахTwo-Class Averaged Perceptron
Two-Class Boosted Decision Tree (Двухклассовое увеличивающееся дерево принятия решений);Two-Class Boosted Decision Tree
Лес решений с двумя классамиTwo-Class Decision Forest
Нейронная сеть с двумя классамиTwo-Class Neural Network
Векторный компьютер поддержки двух классовTwo Class Support Vector Machine
кластеризация;Clustering Группирование данных.Group data together. Кластеризация K-среднихK-Means Clustering
регрессия;Regression Прогнозирование значения.Predict a value. Регрессия повышенного дерева принятия решенийBoosted Decision Tree Regression
Регрессия леса принятия решенийDecision Forest Regression
Линейная регрессияLinear Regression
Регрессия нейронной сетиNeural Network Regression
RecommenderRecommender Модели рекомендаций сборки.Build recommendation models. Ознакомление с рекомендациейEvaluate Recommender
SVD рекомендации по оценкеScore SVD Recommender
Совет по обучению SVDTrain SVD Recommender
Создание и вычисление моделей:Build and evaluate models:
ОбучениеTrain Выполнение данных с помощью алгоритма.Run data through the algorithm. Train Model (Обучение модели);Train Model
Обучение модели кластеризацииTrain Clustering Model
Настройка параметров моделиTune Model Hyperparameters
Evaluate Model (Анализ модели).Evaluate Model Измерьте точность обученной модели.Measure the accuracy of the trained model. Вычисление моделиEvaluate Model
ОценкаScore Получите прогнозы на основе только что обученной модели.Get predictions from the model you've just trained. Применить преобразованиеApply Transformation
Назначение данных кластерамAssign Data to Clusters
Модель оценкиScore Model
Статистические функцииStatistical Functions Предоставляют широкий спектр статистических методов, связанных с обработкой и анализом данных.Provide a wide variety of statistical methods related to data science. Применить математическую операциюApply Math Operation
Суммировать данныеSummarize Data

Сообщения об ошибкахError messages

Сведения о сообщениях об ошибках и кодах исключений , которые могут возникнуть при использовании модулей в конструкторе машинное обучение Azure.Learn about the error messages and exception codes you might encounter using modules in Azure Machine Learning designer.