Machine Learning – Initiera modell

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.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Den här artikeln beskriver de moduler i Machine Learning Studio (klassisk) som du kan använda för att definiera en maskininlärningsmodell och ange dess parametrar.

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Du kan tänka på den tränade modellen som en specifikation som du kan använda för olika indatauppsättningar. Du kan använda samma modellspecifikation för olika data och få olika resultat. Eller så kan du använda specifikationen för att träna om en modell. Du kan sedan lägga till nya data.

Den här artikeln beskriver också den övergripande processen för att skapa, träna, utvärdera och bedöma en modell i Machine Learning Studio (klassisk).

Skapa och använda maskininlärningsmodeller i Machine Learning Studio (klassisk)

Det typiska arbetsflödet för maskininlärning omfattar följande faser:

  • Välj en lämplig algoritm och ange inledande alternativ.
  • Träna modellen med hjälp av kompatibla data.
  • Skapa förutsägelser med hjälp av nya data baserat på modellens mönster.
  • Utvärdera modellen för att avgöra om förutsägelserna är korrekta, mängden fel och om överfitting inträffar.

Machine Learning Studio (klassisk) stöder ett flexibelt, anpassningsbart ramverk för maskininlärning. Varje aktivitet i den här processen utförs av en specifik typ av modul. Moduler kan ändras, läggas till eller tas bort utan att resten av experimentet bryts.

Använd modulerna i den här kategorin för att välja en inledande algoritm. Konfigurera sedan detaljerade parametrar baserat på den specifika modelltypen. Du kan sedan använda den här modellspecifikationen för en datauppsättning.

Om att skapa modeller

Machine Learning många avancerade maskininlärningsalgoritmer som hjälper dig att skapa analytiska modeller. Varje algoritm paketeras i en egen modul. Så här skapar du en anpassad modell:

  1. Välj en modell efter kategori.

    Algoritmer grupperas efter specifika typer av förutsägelseuppgifter. Några exempel är regression, klassificering och bildigenkänning. Din första uppgift är att identifiera den allmänna kategorin för maskininlärningsuppgift som ska utföras och sedan välja en algoritm.

  2. Konfigurera algoritmparametrar.

    Använd fönstret Egenskaper i varje modul för att ange parametrar. Parametrar styr hur modellen lär sig av data.

  3. Träna modellen på data.

    När du har konfigurerat modellen ansluter du en datauppsättning. Använd sedan någon av träningsmodulerna för att köra data genom de algoritmer som du vill använda.

    Du kan använda Hyperparametrar för tune-modellen för att iterera över alla möjliga parametrar och fastställa den optimala konfigurationen för din uppgift och dina data.

  4. Förutsäga, poäng eller utvärdera.

    När du har byggt och tränat en modell är vanligtvis nästa steg att använda en av bedömningsmodulerna för att generera förutsägelser baserat på modellen.

    Du kan använda modulerna för modellutvärdering för att mäta modellens noggrannhet baserat på de poäng som du genererar.

Lista över moduler

Modulerna i den här kategorin är ordnade efter den typ av maskininlärningsalgoritm som modulerna kapslar in. Varje typ av algoritm kräver vanligtvis olika typer av data.

Förutom de traditionella kategorierna av maskininlärningsalgoritmer som beskrivs här tillhandahåller följande moduler specialiserade typer av inlärning från data eller förbearbetning:

Se även