Använda transformering
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Tillämpar en väl angiven datatransformering på en datauppsättning
Kategori: Machine Learning/poäng
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Modulöversikt
I den här artikeln beskrivs hur du använder modulen Tillämpa transformering i Machine Learning Studio (klassisk) för att ändra en indatauppsättning baserat på en tidigare beräknad transformering.
Om du till exempel använde z-poäng för att normalisera dina träningsdata med hjälp av modulen Normalize Data (Normalisera data ) skulle du även vilja använda z-score-värdet som beräknades för träning under bedömningsfasen. I Machine Learning Studio (klassisk) kan du enkelt göra detta genom att spara normaliseringsmetoden som en transformering och sedan använda Använd transformering för att tillämpa z-poängen på indata innan bedömning.
Machine Learning Studio (klassisk) har stöd för att skapa och sedan tillämpa många olika typer av anpassade transformationer. Du kanske till exempel vill spara och sedan använda omvandlingar som gör följande:
Ta bort eller ersätta saknade värden med rensa data som saknas
Gruppera, skala och normalisera data med normalisera data eller gruppera data i lagerplatser
Skapa en uppsättning kompakta funktioner genom att beräkna gemensam sannolikhetsfördelning för en datauppsättning med hjälp Learning med antal moduler.
Så här använder du Tillämpa transformering
Lägg till modulen Tillämpa transformering i experimentet. Du hittar modulen under Machine Learning i kategorin Poäng.
Leta upp en befintlig transformering som ska användas som indata.
Om omvandlingen skapades tidigare i experimentet (till exempel som en del av en rensnings- eller dataskalningsåtgärd) är ITransform-gränssnittsobjektet vanligtvis tillgängligt på modulens högra utdata. Anslut dessa utdata till vänster indata för Tillämpa transformering.
Tidigare sparade transformeringar finns i gruppen Transformeringar i det vänstra navigeringsfönstret.
Tips
Om du utformar en transformering för ett experiment men inte uttryckligen sparar den, är transformeringen tillgänglig på arbetsytan så länge sessionen är öppen. Om du stänger sessionen men inte sparar transformeringen kan du köra experimentet igen för att generera ITransform-gränssnittsobjektet .
Anslut den datauppsättning som du vill transformera. Datauppsättningen bör ha exakt samma schema (antal kolumner, kolumnnamn, datatyper) som datauppsättningen som transformeringen först utformades för.
Inga andra parametrar behöver anges. all anpassning görs när du definierar transformeringen.
Om du vill tillämpa en transformering på den nya datauppsättningen kör du experimentet.
Exempel
Information om hur den här modulen används i maskininlärning finns i Azure AI Gallery:
Identifiering av bedrägerier online: Det här exemplet visar hur du använder Tillämpa transformering med rensa data som saknas för att säkerställa att saknade värden hanteras på samma sätt i alla datauppsättningar.
Förebyggande underhåll: Visar hur du använder Tillämpa transformering med Normalisera data.
Learning med antal: Använder Tillämpa transformering för att återanvända en count-tabell.
Teknisk information
Modulen Tillämpa transformering kan ta som indata utdata från alla moduler som skapar ett ITransform-gränssnitt. Dessa moduler är:
Tips
Du kan också spara och använda filter som är utformade för digital signalbearbetning. Filter använder dock gränssnittet IFilter i stället för ITransform-gränssnittet.
Förväntade indata
Namn | Typ | Description |
---|---|---|
Datatransformering | ITransform-gränssnitt | En enär datatransformering |
Datamängd | Datatabell | Datauppsättning som ska transformeras |
Utdata
Namn | Typ | Description |
---|---|---|
Transformerad datauppsättning | Datatabell | Transformerad datauppsättning |
Undantag
Undantag | Description |
---|---|
Fel 0003 | Undantaget inträffar om en eller flera indata är null eller tomma. |
En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.
En lista över API-undantag finns i Machine Learning REST API felkoder.
Se även
Filter
Använda SQL-transformering
Rensa data som saknas
Normalisera Data
A-Z-modullista
Gruppera data till lagerplatser