Modeli Eğit modülü

Bu makalede, Azure Machine Learning tasarımcısında bir modül açıklanmıştır.

Sınıflandırma veya regresyon modelini eğitmek için bu modülü kullanın. Eğitim, bir modeli tanımdikten ve parametrelerini ayardikten sonra ve etiketli veriler gerektiriyorsa uzer. Modeli Eğit'i mevcut bir modeli yeni verilerle yeniden eğitmek için de kullanabilirsiniz.

Eğitim süreci nasıl çalışır?

Bu Azure Machine Learning makine öğrenmesi modeli oluşturmak ve kullanmak genellikle üç adımlı bir işlemdir.

  1. Modeli belirli bir algoritma türünü seçerek ve parametrelerini veya hiper parametrelerini tanımlayarak yapılandırmış oluruz. Aşağıdaki model türlerinden birini seçin:

    • Sinir ağları, karar ağaçları, karar ormanları ve diğer algoritmaları temel alan sınıflandırma modelleri.
    • Regresyon modelleri, standart doğrusal regresyon içerebilir veya sinir ağları ve Bayes regresyonu gibi diğer algoritmaları kullanır.
  2. Etiketlenmiş ve algoritmayla uyumlu verileri olan bir veri kümesi sağlar. Hem verileri hem de modeli Modeli Eğit'e bağlama.

    Eğitim, verilerden öğrenilen istatistiksel desenleri kapsüller ve iLearner olan belirli bir ikili biçimi üretir. Bu biçimi doğrudan değiştiremez veya okuyamaz; ancak, diğer modüller bu eğitilen modeli kullanabilir.

    Modelin özelliklerini de görüntüebilirsiniz. Daha fazla bilgi için Sonuçlar bölümüne bakın.

  3. Eğitim tamamlandıktan sonra, yeni verilerle ilgili tahminler yapmak içinpuanlama modüllerinden biri ile eğitilen modeli kullanın.

Eğitim modeli kullanma

  1. İşlem hattına model eğitme modülünü ekleyin. Bu modülü Machine Learning kategorisi altında bulabilirsiniz. Eğit' i genişletin ve ardından model eğitimi modülünü işlem hattınızla sürükleyin.

  2. Sol girişte, eğitilen modunu ekleyin. Eğitim veri kümesini, tren modelinin sağ girdisine iliştirin.

    Eğitim veri kümesi bir etiket sütunu içermelidir. Etiketleri olmayan herhangi bir satır yok sayılır.

  3. Etiket sütunu için, modülün sağ panelindeki sütunu Düzenle ' ye tıklayın ve modelin eğitim için kullanabileceği sonuçları içeren tek bir sütun seçin.

    • Sınıflandırma sorunları için etiket sütunu kategorik değerler ya da ayrık değerler içermelidir. Bazı örnekler bir Evet/Hayır derecelendirmesi, bir dimevsimi sınıflandırma kodu veya adı ya da bir gelir grubu olabilir. Kategorik olmayan bir sütun seçerseniz, modül eğitim sırasında bir hata döndürür.

    • Regresyon sorunları için etiket sütunu, yanıt değişkenini temsil eden sayısal veriler içermelidir. İdeal olarak, sayısal veriler sürekli bir ölçeklendirmeyi temsil eder.

    Örnekler, bir kredi risk puanı, bir sabit sürücü için öngörülen başarısızlık süresi veya belirli bir gün ya da zaman için bir çağrı merkezine tahmini çağrı sayısı olabilir. Sayısal bir sütun belirtmezseniz bir hata alabilirsiniz.

    • Kullanılacak etiket sütununu belirtmezseniz, Azure Machine Learning, veri kümesinin meta verilerini kullanarak ilgili etiket sütunu olduğunu belirtmektir. Yanlış sütunu seçer, düzeltmek için sütun seçiciyi kullanın.

    İpucu

    Sütun seçiciyi kullanırken sorun yaşıyorsanız, ipuçları için veri kümesindeki sütunları seçme makalesine bakın. KURALLARıN ve ad seçeneklerinin kullanımı ile ilgili bazı yaygın senaryolar ve ipuçları açıklanmaktadır.

  4. İşlem hattını gönderin. Çok fazla veri varsa, bu biraz zaman alır.

    Önemli

    Her satırın kimliği olan bir ID sütununu veya çok fazla benzersiz değer içeren bir metin sütununuz varsa Modeli Eğitme "Sütundaki benzersiz değerlerin sayısı: "{column_name}" izin verilenden fazla.

    Bunun nedeni sütunun benzersiz değerler eşiğine isabet eder ve belleğin yetersiz olmasıdır. Meta Verileri Düzenle'yi kullanarak bu sütunu Clear özelliği olarak işaretleyemezsiniz. Bu özellik eğitimde kullanılmaz veya metin sütununu önceden işlemeye yönelik Metinden N Gram Özellikleri Ayıklama modülü. Diğer hata ayrıntıları için bkz. Tasarımcı hata kodu.

Model Yorumlanabilirliği

Model yorumlanabilirliği, ML modelini anlama ve karar verme için temel alınan temeli insanlar tarafından anlaşılır bir şekilde sunma olanağı sağlar.

Şu anda Modeli Eğitme modülü, ML modellerini açıklamak için yorumlanabilirlik paketini kullanmayı destekler. Aşağıdaki yerleşik algoritmalar de destekler:

  • Çizgisel Regresyon
  • Sinir Ağı Regresyonu
  • Artırıldı Azalan Ağaç Regreslesi
  • Karar Ormanı Regresyonu
  • Poisson Regresyonu
  • Çift Sınıflı Lojistik Regresyon
  • İki Sınıflı Destek Vektör Makinesi
  • Two-Class Artırmalı Bildirim Ağacı
  • İki Sınıflı Karar Ormanı
  • Çok Sınıflı Karar Ormanı
  • Çok Sınıflı Lojistik Regresyon
  • Çok Sınıflı Sinir Ağı

Model açıklamaları oluşturmak için Modeli Eğitma modülünde Model Açıklaması açılan listesinde True'yi seçebilirsiniz. Modeli Eğit modülünde varsayılan olarak False olarak ayarlanır. Açıklama oluşturmak için ek işlem maliyetine ihtiyaç olduğunu lütfen unutmayın.

Model açıklaması onay kutusunu gösteren ekran görüntüsü

İşlem hattı çalıştırması tamamlandıktan sonra Modeli Eğitma modülünün sağ bölmesindeki Açıklamalar sekmesini ziyaret edin ve model performansını, veri kümesi ve özellik önemini keşfedebilirsiniz.

Model açıklaması grafiklerini gösteren ekran görüntüsü

Azure Machine Learning model açıklamalarını kullanma hakkında daha fazla bilgi edinmek için ml modellerini yorumlamahakkında nasıl yapılır makalesine başvurun.

Sonuçlar

Model eğitilirken:

  • Modeli başka işlem hatlarında kullanmak için modülünü seçin ve sağ paneldeki çıktılar sekmesinin altında bulunan veri kümesini kaydet simgesini seçin. Kaydedilmiş modellere, veri kümeleri altında modül paletinde erişebilirsiniz.

  • Modeli yeni değerleri tahmin etmek üzere kullanmak için, yeni giriş verileriyle birlikte, puan modeli modülüne bağlayın.

Sonraki adımlar

Azure Machine Learning için kullanılabilen modül kümesine bakın.