Машинное обучение-инициализация модели

В этой статье описываются модули в Машинное обучение Azure Studio (классическая модель), которые можно использовать для определения модели машинного обучения и настройки ее параметров.

Примечание

Применимо к: машинное обучение Studio (классическая модель)

Это содержимое относится только к Studio (классическая модель). Аналогичные модули перетаскивания были добавлены в конструктор Машинное обучение Azure. Дополнительные сведения см. в статье сравнение двух версий.

Обученную модель можно представить как спецификацию, которую можно применить к различным входным наборам данных. Вы можете применить одну и ту же спецификацию модели к различным данным и получить разные результаты. Также можно использовать спецификацию для повторного обучения модели. Затем можно добавить новые данные.

В этой статье также описывается общий процесс создания, обучения, оценки и оценки модели в Машинное обучение Studio (классическая модель).

Создание и использование моделей машинного обучения в Машинное обучение Studio (классическая модель)

Типичный рабочий процесс для машинного обучения включает следующие этапы.

  • Выберите подходящий алгоритм и задайте начальные параметры.
  • Обучение модели с помощью совместимых данных.
  • Создание прогнозов с использованием новых данных на основе закономерностей в модели.
  • Оцените модель, чтобы определить, являются ли прогнозы точными, объемом ошибок и должно ли произойти перегонка.

Машинное обучение Studio (классическая модель) поддерживает гибкую настраиваемую платформу для машинного обучения. Каждая задача в этом процессе выполняется модулем определенного типа. Модули можно изменять, добавлять или удалять без нарушения оставшейся части эксперимента.

Используйте модули в этой категории для выбора начального алгоритма. Затем настройте подробные параметры на основе конкретного типа модели. Затем эту спецификацию модели можно применить к набору данных.

О создании моделей

Машинное обучение Azure предоставляет множество современных алгоритмов машинного обучения, которые помогают создавать аналитические модели. Каждый алгоритм упаковывается в отдельный модуль. Чтобы создать настраиваемую модель, выполните следующие действия.

  1. Выберите модель по категориям.

    Алгоритмы группируются по конкретным типам прогнозных задач. Примеры включают регрессию, классификацию и распознавание изображений. Ваша первая задача — указать общую категорию задачи машинного обучения, которую необходимо выполнить, а затем выбрать алгоритм. Если вам нужна помощь по выбору алгоритма, см. следующие ресурсы:

  2. Настройка параметров алгоритма.

    Для задания параметров используйте панель Свойства в каждом модуле. Параметры управляют тем, как модель будет изучать данные.

  3. Обучение модели по данным.

    После настройки модели Подключите набор данных. Затем используйте один из обучающих модулей для запуска данных с помощью алгоритмов, которые вы хотите использовать.

    Можно использовать Параметры настройки модели для прохода по всем возможным параметрам и определить оптимальную конфигурацию для задачи и данных.

  4. Прогнозирование, оценка или оценка.

    После создания и обучения модели, как правило, следующим шагом является использование одного из модулей оценки для формирования прогнозов на основе модели.

    Можно использовать модули для оценки модели , чтобы измерить точность модели на основе сформированных оценок.

Список модулей

Модули в этой категории упорядочены по типу алгоритма машинного обучения, который инкапсулирует модули. Для каждого типа алгоритма обычно требуется другой тип данных.

В дополнение к традиционным категориям алгоритмов машинного обучения, описанным здесь, следующие модули предоставляют специализированные типы обучения из данных или предварительной обработки:

См. также раздел