Байесовская линейная регрессия
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
Создает байесовскую модель линейной регрессии.
категория: Машинное обучение/инициализация модели или регрессии
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Обзор модуля
в этой статье описывается, как использовать модуль линейной регрессии байеса в Машинное обучение Studio (классическая модель) для определения модели регрессии на основе статистики байеса.
После определения параметров модели необходимо обучить модель с помощью набора данных с тегами и модуля обучение модели . После этого обученная модель используется для прогнозирования. Кроме того, обученная модель может быть передана перекрестной проверке модели для перекрестной проверки с помеченным набором данных.
Дополнительные сведения о регрессии Байеса
В статистике байесовский подход к регрессии часто противопоставляется частному подходу к вероятностям.
В байесовском подходе используется линейная регрессия с применением дополнительной информации в виде предварительного распределения вероятностей. Чтобы получить оценки параметров, предыдущая информация о них объединяется с функцией правдоподобия.
В частном подходе к вероятностям, представленном стандартной регрессией методом наименьших квадратов, напротив, предполагается, что данные содержат достаточное количество измерений для создания значимой модели.
Дополнительные сведения об исследовании этого алгоритма см. в ссылках в разделе Технические примечания .
Настройка регрессии Байеса
Добавьте модуль линейной регрессии Байеса в эксперимент. этот модуль можно найти в разделе Машинное обучение, инициализацияв категории регрессии .
Весовой коэффициент: введите значение для использования при обходе. Регуляризация используется для предотвращения лжевзаимосвязей. Этот вес соответствует L2. Дополнительные сведения см. в разделе Технические примечания .
Разрешить неизвестные уровни категорий: Выберите этот параметр, чтобы создать группирование для неизвестных значений. Модель может принимать только значения, содержащиеся в обучающих данных. Модель может быть менее точной для известных значений, но она предоставляет лучшие прогнозы для новых (неизвестных) значений.
Подключение набор данных для обучения и один из обучающих модулей. Этот тип модели не имеет параметров, которые можно изменить в ходе очистки параметров, поэтому, несмотря на то, что модель можно обучить с помощью параметров настройки модели, она не может автоматически оптимизировать модель.
Выберите один числовой столбец, который необходимо смоделировать или спрогнозировать.
Запустите эксперимент.
Результаты
После завершения обучения:
- Чтобы просмотреть сводку по параметрам модели, щелкните правой кнопкой мыши выходные данные модуля обучение модели и выберите визуализировать.
- Чтобы создать прогнозы, используйте обученную модель в качестве входных данных для модели оценки.
Примеры
Примеры моделей регрессии см. в Коллекция решений ии Azure.
- Пример сравнения моделей регрессии: отличие нескольких различных типов моделей регрессии.
Технические примечания
использование коэффициента лямбда-выражения подробно описано в этой учебнике по машинному обучению: распознавание шаблонов и Машинное обучение, кристофер bishop), springer link-верлаг, 2007.
Эта статья доступна в виде скачивания в формате PDF с веб-сайта Microsoft Research: Байеса регрессия и классификация .
Параметры модуля
| Имя | Диапазон | Тип | По умолчанию | Описание |
|---|---|---|---|---|
| Вес регуляризации | >= double.Epsilon | Float | 1,0 | Введите константу для использования в регуляризации. Константа представляет собой отношение точности веса к точности шума. |
| Разрешить неизвестные категориальные уровни | Любой | Логическое | Да | Если значение true, то создается дополнительный уровень для каждого категориального столбца. Все уровни в проверочном наборе данных, недоступные в обучающем наборе данных, сопоставляются с этим дополнительным уровнем. |
Выходные данные
| Имя | Тип | Описание |
|---|---|---|
| Необученная модель | Интерфейс ILearner | Необученная байесовская модель линейной регрессии |