Bayes Doğrusal Regresyon

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Bayes doğrusal regresyon modeli oluşturur

Kategori: Machine Learning / Modeli Başlatma / Regresyon

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Modüle genel bakış

Bu makalede, Bayes istatistiklerini temel alan bir regresyon modeli tanımlamak için Machine Learning Studio'da (klasik) Bayes Doğrusal Regresyon modülünün nasıl kullanımı açıklanmıştır.

Model parametrelerini tanımdikten sonra, etiketli bir veri kümesi ve Modeli Eğit modülü kullanarak modeli eğitebilirsiniz . Eğitilen model daha sonra tahmin yapmak için kullanılabilir. Alternatif olarak, eğitilmemiş model etiketli bir veri kümesinde çapraz doğrulama için Modeli Çapraz Doğrula'ya geçirebilirsiniz.

Bayes regresion hakkında daha fazla bilgi

İstatistiklerde, Bayes'in regresyon yaklaşımı genellikle sık kullanılan yaklaşımla karşıttır .

Bayes yaklaşımı, önceki bir olasılık dağılımı şeklinde ek bilgilerle ek olarak doğrusal regresyon kullanır. Parametrelerle ilgili önceki bilgiler, parametreler için tahminler oluşturmak için bir olasılık işleviyle bir araya gelir.

Buna karşılık, standart en küçük kare doğrusal regresyon ile temsil edilen sık kullanılan yaklaşım, verilerin anlamlı bir model oluşturmak için yeterli ölçümler içerdiğini varsayıyor.

Bu algoritmanın ardındaki araştırma hakkında daha fazla bilgi için Teknik Notlar bölümündeki bağlantılara bakın.

Bayes regresyonlarını yapılandırma

  1. Bayes Doğrusal Regresyon modülünü denemenize ekleyin. Bu modülü Regresyon kategorisindeki Machine Learning, Başlataltında bulabilirsiniz.

  2. Normalleştirme ağırlığı: Düzenlileştirme için kullanmak üzere bir değer yazın. Fazla kullanılabilirliği önlemek için düzenlileştirme kullanılır. Bu ağırlık L2'ye karşılık gelen bir ağırlıktır. Daha fazla bilgi için Teknik Notlar bölümüne bakın.

  3. Bilinmeyen kategorik düzeylere izin ver: Bilinmeyen değerler için bir gruplama oluşturmak için bu seçeneği belirleyin. Model yalnızca eğitim verisinde yer alan değerleri kabul eder. Model, bilinen değerlerde daha az kesin olabilir ancak yeni (bilinmeyen) değerler için daha iyi tahminler sağlar.

  4. Bağlan veri kümesi ve eğitim modüllerinden birini içerir. Bu model türünün parametre taramada değiştirilip değiştirilene bir parametresi yoktur, bu nedenle Modeli Ayarlama Modeli Hiper Parametreleri kullanarak eğitmenizi sağlar ancak modeli otomatik olarak iyileştirmez.

  5. Modellemek veya tahmin etmek istediğiniz tek bir sayısal sütunu seçin.

  6. Denemeyi çalıştırın.

Sonuçlar

Eğitim tamamlandıktan sonra:

  • Modelin parametrelerinin özetini görmek için Modeli Eğit modülü çıkışına sağ tıklayın ve Görselleştir'i seçin.
  • Tahminler oluşturmak için eğitilen modeli Modeli Puanla giriş olarak kullanın.

Örnekler

Regresyon modellerinin örnekleri için bkz. Azure Yapay Zeka Galerisi.

Teknik notlar

Modül parametreleri

Name Aralık Tür Varsayılan Description
Düzenlileştirme ağırlığı >=double. Epsilon Float 1.0 Düzenlileştirmede kullanmak için bir sabit yazın. sabiti, gürültü duyarlığından önceki ağırlık duyarlığı oranını temsil eder.
Bilinmeyen kategorik düzeylere izin ver Herhangi biri Boole true true, her kategorik sütun için ek bir düzey oluşturur. Eğitim veri kümesinde mevcut olan test veri kümesi düzeyleri bu ek düzeye eşlenmiş olur.

Çıkışlar

Ad Tür Description
Eğitilmemiş model ILearner arabirimi Eğitilmemiş bayes doğrusal regresyon modeli

Ayrıca bkz.

A-Z Modül Listesi
Regresyon