Tabell för antal exporter
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.
Exporterar count-tabellen från en sparad transformering för användning med nya data
Kategori: Learning med antal
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 Exportera antal tabeller i Machine Learning Studio (klassisk). Modulen Exportera antal tabeller tillhandahålls för bakåtkompatibilitet med experiment som använder den inaktuella buildantalstabellen och inaktuella moduler för count-funktionen.
När du använder den nya modulen Byggräkningstransform för att skapa antalsbaserade funktioner matar modulen ut både en featurerad datauppsättning och en transformering som skapar funktioner från antal. Med hjälp av modulen Exportera antal tabeller kan du separera count-based features-utdata från den här nya modulen till antal metadata och en count-tabell. Dessa utdataformat användes av tidigare, nu inaktuella moduler:
Allmän information om antalstabeller och hur de används för att skapa funktioner finns i Learning med antal.
För alla nya experiment rekommenderar vi att du använder följande moduler:
Så här konfigurerar du tabellen För exportantal
I Machine Learning Studio (klassisk) öppnar du experimentet där du vill använda den importerade count-tabellen.
Leta upp omvandlingen av det sparade antalet och lägg till den i experimentet.
Anslut utdata från omvandlingen av det sparade antalet (märkt transformering) till Exportera antal tabell.
Lägg till modulen Count Featurizer (inaktuell) i experimentet och anslut den till de två utdata för exportantalstabellen.
Modulen Count Featurizer (inaktuell) kräver ytterligare indata för den datauppsättning som du vill använda. Anslut datauppsättningen för att tillämpa den sparade transformeringen på utdata.
Ange nödvändiga parametrar för Count Featurizer (inaktuell), inklusive etikettkolumnen, antal kolumner, kolumnerna som ska visas och de funktioner som ska matas ut.
Du måste välja en delmängd av de kolumner som ursprungligen valdes för beräkningstransformeringen. Modulen Exportera antal tabeller innehåller dock inte listan över dessa kolumner, så du bör granska det ursprungliga experimentet och notera vilka kolumner som användes. Om du väljer en kolumn som inte användes när du skapade transformeringen utlöses ett fel.
Exempel
Utforska exempel på count-baserad featurization med hjälp av dessa exempelexperiment i Azure AI Gallery:
Förutsägelse av flygfördröjning: Visar hur count-baserad featurization kan vara användbart i en mycket stor datamängd.
Learning med antal: Klassificering med flera klasser med taxidata från NEWC: Visar användningen av count-baserade funktioner i en förutsägelseuppgift med flera klasser.
Learning med antal: Binär klassificering med NYC-taxidata: Använder antalsbaserade funktioner i en binär klassificeringsuppgift.
Anteckning
Om du öppnar ett galleriexperiment som skapats med de inaktuella versionerna av modulerna Learning med antal uppgraderas experimentet automatiskt så att de nya modulerna används.
Förväntade indata
| Namn | Typ | Description |
|---|---|---|
| Räkna transformering | ITransform-gränssnitt | Beräkningstransformeringen. |
Utdata
| Namn | Typ | Description |
|---|---|---|
| Metadata för dracula-antal | Datatabell | Antalens metadata. |
| Tabell för dracula-antal | Datatabell | Antalstabellen. |
Undantag
| Undantag | Description |
|---|---|
| Fel 0003 | Undantaget inträffar om en eller flera indata är null eller tomma. |
| Fel 0086 | Undantag inträffar när en räkningstransformering är ogiltig. |
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.