&Algoritmkomponentreferens för Azure Machine Learning designer

Det här referensinnehållet ger teknisk bakgrund för var och en av de maskininlärningsalgoritmer och komponenter som är tillgängliga i Azure Machine Learning designer.

Varje komponent representerar en uppsättning kod som kan köras oberoende av varandra och utföra en maskininlärningsuppgift, med tanke på de indata som krävs. En komponent kan innehålla en viss algoritm eller utföra en uppgift som är viktig inom maskininlärning, till exempel saknade värden eller statistisk analys.

Hjälp med att välja algoritmer finns i

Tips

I alla pipelines i designern kan du få information om en specifik komponent. Välj länken Läs mer på komponentkortet när du hovrar över komponenten i komponentlistan eller i den högra rutan för komponenten.

Komponenter för förberedelse av data

Funktioner Beskrivning -komponent
Indata och utdata Flytta data från molnkällor till din pipeline. Skriv dina resultat eller mellanliggande data till Azure Storage, SQL Database eller Hive när du kör en pipeline, eller använd molnlagring för att utbyta data mellan pipelines. Ange data manuellt
Exportera data
Importera data
Data Transformation Åtgärder för data som är unika för maskininlärning, till exempel normalisering eller datadelning, minskning av antalet dimensioner och konvertering av data mellan olika filformat. Lägg till kolumner
Lägg till rader
Använda matematisk åtgärd
Använda SQL-transformering
Rensa data som saknas
Beskärningsvärden
Konvertera till CSV
Konvertera till datamängd
Konvertera till indikatorvärden
Redigera metadata
Gruppera data till lagerplatser
Koppla data
Normalisera Data
Partitionera och prova
Ta bort dubblettrader
SMOTE
Välja kolumntranformering
Välja kolumner i datauppsättning
Dela data
Val av funktion Välj en delmängd av relevanta, användbara funktioner som ska användas för att skapa en analysmodell. Filterbaserat funktionsval
Permutationfunktionsprioritet
Statistiska funktioner Tillhandahålla en mängd olika statistiska metoder som är relaterade till data science. Sammanfatta data

Maskininlärningsalgoritmer

Funktioner Beskrivning -komponent
Regression Förutsäga ett värde. Förbättrad regression för beslutsträd
Regression för beslutsskog
Fast Forest Quantile Regression
Linjär regression
Regression för Neural Network
Poisson-regression
Klustring Gruppera data. K-means-klustring
Klassificering Förutsäga en klass. Välj mellan binäralgoritmer (tvåklassalgoritmer) eller flerklassalgoritmer. Förbättrat beslutsträd med flera klasser
Beslutsskog med två klasser
Logistic Regression med flera klasser
Neural Network med flera klasser
En-mot- alla-multiklass
En-mot- En multiklass
Genomsnittsperceptron med två klasser
Tvåklassigt förbättrat beslutsträd
Beslutsskog med två klasser
Logistic Regression med två klasser
Neural Network med två klasser
Tvåklassig dator för vektorstöd

Komponenter för att skapa och utvärdera modeller

Funktioner Beskrivning -komponent
Modellträning Kör data genom algoritmen. Träna klustringsmodellen
Träningsmodell
Träna Pytorch-modell
Finjustera hyperparametrar för modell
Modellbedömning och utvärdering Mät noggrannheten för den tränade modellen. Använda transformering
Tilldela data till kluster
Korsvalidera modell
Utvärdera modell
Bildpoängmodell
Poängmodell
Python-språk Skriv kod och bädda in den i en komponent för att integrera Python med din pipeline. Skapa Python-modell
Köra Python-skript
R-språk Skriv kod och bädda in den i en komponent för att integrera R med din pipeline. Köra R-skript
Textanalys Tillhandahålla specialiserade beräkningsverktyg för att arbeta med både strukturerad och ostrukturerad text. Konvertera Word till vektor
Extrahera N-Gram-funktioner från text
Funktions-hash
Förbearbeta text
Latent Dirichlet-allokering
Bedöma Vowpal Wabbit-modell
Träna Vowpal Wabbit-modell
Visuellt innehåll Förbearbetning av bilddata och komponenter relaterade till bildigenkänning. Använda bildtransformering
Konvertera till bildkatalog
Initiera bildtransformering
Dela bildkatalog
DenseNet
ResNet
Rekommendation Skapa rekommendationsmodeller. Utvärdera rekommenderare
Poäng för SVD-rekommenderare
Bedöma modulen Wide and Deep Recommender
Träna SVD-rekommenderare
Träna modulen Wide and Deep Recommender
Avvikelseidentifiering Skapa modeller för avvikelseidentifiering. PCA-baserad avvikelseidentifiering
Träna avvikelseidentifieringsmodell

Webbtjänst

Lär dig mer om de webbtjänstkomponenter som krävs för inferens i Azure Machine Learning designer.

Felmeddelanden

Lär dig mer om felmeddelanden och undantagskoder som kan uppstå när du använder komponenter Azure Machine Learning designern.

Nästa steg