Filtreyi Uygula

Bir veri kümesinde belirtilen sütunlara filtre uygular

Kategori: Veri Dönüştürme / Filtre

Not

Uygulama hedefi: Machine Learning Studio (klasik)

Bu içerik yalnızca Studio (klasik) ile ilgilidir. Benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısına eklenmiştir. Bu makalede iki sürümü karşılaştırandaha fazla bilgi edinin.

Modüle genel bakış

Bu makalede, daha önce tanımlanmış bir filtreyi uygulayarak bir değer sütununu dönüştürmek için Azure Machine Learning Studio'daki (klasik) Filtre Uygula modülünün nasıl kullanımı açıklanmıştır. Filtreler dijital sinyal işlemede gürültüyü azaltmak veya bir deseni vurgulamak için kullanılır. Bu nedenle, dönüştüren değerler her zaman sayısaldır ve genellikle bir tür ses veya görsel sinyali temsil eder.

İpucu

Farklı bir filtre türü mü arıyorsunuz? Studio (klasik) verileri örneklemek, verilerin bir alt kümesini almak, hatalı değerleri kaldırmak veya test ve eğitim kümeleri oluşturmak için şu modülleri sağlar: Verileri Bölme,Eksik Verileri Temizleme, Bölümleme ve Örnek, SQL DönüşümüUygulama , Değerleri Kırpma. Verileri bir kaynaktan okurken filtrelemeniz gerekirse bkz. Verileri İçeri Aktarma. Seçenekler kaynak türüne bağlıdır.

Veri kaynağınız için en uygun filtre türünü belirleydikten sonra parametreleri belirtir ve Filtre Uygula'nın kullanarak veri kümesini dönüştürebilirsiniz. Filtrelerin tasarımı filtre uygulama sürecinden ayrı olduğundan filtreler yeniden kullanılabilir. Örneğin, tahmin için kullanılan verilerle sık sık çalışıyorsanız, birden çok modeli eğitmek ve karşılaştırmak için çeşitli hareketli ortalama filtre türleri tasarlarsanız. Filtreyi diğer denemelere veya farklı veri kümelere uygulamak için de kaydedebilirsiniz.

Filtre Uygula'yi yapılandırma

  1. Filtre Uygula modülünü denemenize ekleyin. IIR filtre modülünü Veri Dönüştürme altında Filtreler kategorisinde bulabilirsiniz.

  2. Sağ girişe, sayısal değerler içeren bir veri kümesine tek bir girişe bağlanın.

  3. Sol taraftaki girişe, var olan bir filtreyi bağlayın. Kaydedilmiş bir filtreyi yeniden kullanabilir veya şu filtre modüllerinden birini kullanarak bir filtre yapılandırabilirsiniz: Eşik Filtresi, hareketli ortalama filtre, ortanca filtresi, IIR filtresi, kökle filtresi, Kullanıcı tanımlı filtre.

  4. Filtre Uygula'nın Özellikler bölmesinde, sütun seçiciyi Başlat ' a tıklayın ve filtrenin uygulanması gereken sütunları seçin.

  5. Denemeyi çalıştırın veya Filtre Uygula ' ya sağ tıkladıktan sonra Seçileni Çalıştır' a tıklayın.

Sonuçlar

Çıktı, belirtilen önceden tanımlanmış matematik dönüşümü uygulanarak dönüştürülen yalnızca seçili sütunlardaki verileri içerir.

Veri kümesindeki diğer sütunları görmek isterseniz, özgün ve filtrelenmiş veri kümelerini birleştirmek için sütun Ekle modülünü kullanabilirsiniz.

Not

Özgün sütundaki değerler silinmemiş veya üzerine yazılmadığından, başvuruya yönelik deneyde hala kullanılabilir. Ancak, filtrenin çıkışı genellikle modelleme için daha yararlıdır.

Örnekler

Makine öğreniminde filtrelerin nasıl kullanıldığına ilişkin örnekler için Azure yapay zeka Galerisibakın:

  • Filtreler: uygulanan bir Waveform veri kümesi kullanarak tüm filtre türlerini gösterir.

Teknik notlar

Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır.

  • Filtre Uygula modülü, belirtilen filtre türünü seçili sütunlara bağlar. Farklı sütunlara farklı filtre türleri uygulamanız gerekiyorsa, sütunları yalıtmak ve farklı filtre türlerini ayrı iş akışlarına uygulamak için veri kümesinde sütunları seç ' i kullanmanız gerekir. Daha fazla bilgi için bkz. veri kümesindeki sütunları seçme.

  • Filtreler, filtreden etkilenmeyen veri sütunlarını geçirmez. Diğer bir deyişle, uygulanan filtrenin çıktısı yalnızca dönüştürülmüş sayısal değerleri içerir. Ancak, dönüştürülmüş değerleri kaynak veri kümesiyle birleştirmek için sütun Ekle modülünü kullanabilirsiniz.

Dönemleri filtrele

Filtre dönemi, kısmen filtre türüne göre aşağıdaki gibi belirlenir:

  • Sonlu yanıt (FIR), basit hareketli ortalama ve üçgen hareketli ortalama filtreleri için filtre dönemi sınırlı olur.

  • Sonsuz sonsuz yanıt (IIR), üstel hareketli ortalama ve toplu hareketli ortalama filtreleri için filtre süresi sonsuzdur.

  • Eşik filtreleri için filtre dönemi her zaman 1'tir.

  • Filtre süresi ne olursa olsun ortasık filtreler için, Giriş sinyalinde NaN'ler ve eksik değerler çıkışta yeni NaN'ler üretmez.

Eksik değerler

Bu bölümde, filtre türüne göre eksik değerlerle karşılaşıldıklarında davranış açıklandı. Genel olarak, bir filtre giriş veri kümesinde bir NaN veya eksik bir değerle karşılaştığında, filtre dönemine bağlı olarak çıkış veri kümesi sonraki birkaç örnek için NaN'lerle birlikte yok olur. Bunun aşağıdaki sonuçları vardır:

  • FIR, basit hareketli ortalama veya üçgen hareketli ortalama filtrelerin sınırlı bir süresi vardır. Sonuç olarak, eksik değerlerin ardından filtre sırasına eşit bir sayıda NaN elde edilecektir.

  • IIR, üstel hareketli ortalama veya kümülatif hareketli ortalama filtrelerin sonsuz bir süresi vardır. Sonuç olarak, ilk eksik değerle karşılaşıldıktan sonra NaN'ler süresiz olarak yayılmaya devam eder.

  • Eşik filtresinde eşik filtresinin süresi 1'tir. Sonuç olarak, eksik değerler ve NaN'ler yayılmaz.

  • Ortan filtreleri için, giriş veri kümesinde karşılaşılan NaN'ler ve eksik değerler, filtre süresine bakılmaksızın çıkışta yeni NaN'ler üretmez.

Beklenen girişler

Ad Tür Description
Filtre IFilter arabirimi Filtre uygulaması
Veri kümesi Veri Tablosu Giriş veri kümesi

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.

Modül parametreleri

Name Aralık Tür Varsayılan Description
Sütun kümesi Herhangi biri ColumnSelection NumericAll Filtrelenecek sütunları seçin

Çıktı

Ad Tür Description
Sonuç veri kümesi Veri tablosu Çıkış veri kümesi

Ayrıca bkz.

Filtreyle
A-Z modül listesi