Модули классификации
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.
в этой статье описываются модули в Машинное обучение Studio (классическая модель), которые поддерживают создание моделей классификации. Эти модули можно использовать для создания моделей многоклассовой или двоичной классификации.
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Сведения о классификации
Классификация — это метод машинного обучения, который использует данные для определения категории, типа или класса элемента или строки данных. Например, классификацию можно использовать для следующих действий:
- Классификация фильтров электронной почты как спама, спама или хорошего.
- диагностика раковых заболеваний по лабораторным пробам, взятых у пациентов;
- распределение клиентов по категориям с разной готовностью реагировать на рекламную акцию.
- определение положительной или отрицательной тональности;
Задачи классификации часто упорядочены по бинарной классификации (A или B) или к нескольким классам (несколько категорий, которые можно прогнозировать с помощью одной модели).
Создание модели классификации
Чтобы сначала создать модель классификации или классификатор, выберите соответствующий алгоритм. Учитывайте следующие факторы:
- Сколько классов или различных результатов вы хотите спрогнозировать?
- Что такое распределение данных?
- Сколько времени можно разрешить для обучения?
Машинное обучение Studio (классическая модель) предоставляет несколько алгоритмов классификации. При использовании алгоритма « один-VS-все » можно даже применить двоичный классификатор к задаче с несколькими классами.
После выбора алгоритма и настройки параметров с помощью модулей в этом разделе обучить модель на основе помеченных данных. Классификация — это метод защищенного машинного обучения. Им всегда требуются помеченные обучающие данные.
По завершении обучения можно оценить и настроить модель. Когда модель будет удовлетворена, используйте обученную модель для оценки новых данных.
Список модулей
Категория классификации включает следующие модули:
- Лес решений в многоклассовойсреде: создает модель многоклассовой классификации с помощью алгоритма леса принятия решений.
- Многоклассовый выбор решений джунглях: создает модель многоклассовой классификации с помощью алгоритма джунглях принятия решений.
- Логистическая регрессия с многоклассовоймоделью: создает модель классификации с многоклассовой логистической регрессией.
- Многоклассовая нейронная сеть: создает модель многоклассовой классификации с помощью алгоритма нейронной сети.
- Многоклассовый классификатор "один — все": создает модель многоклассовой классификации из ансамблей моделей двоичной классификации.
- Усредненный перцептрона с двумя классами: создает модель двоичной классификации среднего перцептрона.
- Компьютерная точка Байеса с двумя классами: создает модель двоичной классификации на компьютере алгоритма Байеса.
- Высококлассное дерево решений с двумя классами: создает двоичный классификатор с помощью алгоритма повышенного дерева принятия решений.
- Лес решений, сооснованный на двух классах: создает модель классификации с двумя классами с помощью алгоритма леса принятия решений.
- Джунглях решений с двумя классами: создает модель классификации из двух классов с помощью алгоритма джунглях принятия решений.
- Одноклассовая одноранговая векторная поддержка на основе двух классов: создает модель двоичной классификации с помощью локально глубокой алгоритма машинного вектора поддержки.
- Логистическая регрессия двух классов: создает модель логистической регрессии из двух классов.
- Нейронная сеть с двумя классами: создает двоичный классификатор с помощью алгоритма нейронной сети.
- Векторный компьютер поддержки двух классов: создает модель двоичной классификации с помощью алгоритма машинного вектора поддержки.
Примеры
Примеры классификации в действии см. в Коллекция решений ии Azure.
Сведения о выборе алгоритма см. в следующих статьях:
памятка по на листе алгоритма машинного обучения для Машинное обучение
Содержит графическую диаграмму принятия решений по процессу выбора.
выбор алгоритмов Машинное обучение для кластеризации, классификации или регрессии
Более подробно рассматриваются различные типы алгоритмов машинного обучения и их использование.