Machine Learning-modeli Başlat

Bu makalede, bir makine öğrenimi modeli tanımlamak ve parametrelerini ayarlamak için kullanabileceğiniz Azure Machine Learning Studio (klasik) modülleri açıklanmaktadır.

Not

Için geçerlidir: Machine Learning Studio (klasik)

Bu içerik yalnızca Studio (klasik) ile ilgili. Benzer sürükle ve bırak modülleri bir tasarımcıya Azure Machine Learning eklendi. İki sürümü karşılaştıran bu makalede daha fazla bilgi bulabilirsiniz.

Eğitimli olmayan modeli , farklı giriş veri kümelerine uygulayabileceğiniz bir belirtim olarak düşünebilirsiniz. Farklı verilere aynı model belirtimini uygulayabilir ve farklı sonuçlar elde edebilirsiniz. Ya da bir modeli yeniden eğitebilmeniz için belirtimini kullanabilirsiniz. Daha sonra yeni veri ekleyebilirsiniz.

Bu makalede ayrıca Machine Learning Studio (klasik) ' de bir modeli oluşturma, eğitim, değerlendirme ve Puanlama genel işlemi açıklanmaktadır.

Machine Learning Studio (klasik) içinde makine öğrenimi modelleri oluşturma ve kullanma

Machine Learning için tipik iş akışı aşağıdaki aşamaları içerir:

  • Uygun bir algoritma seçin ve başlangıç seçeneklerini ayarlayın.
  • Uyumlu verileri kullanarak modeli eğitme.
  • Modeldeki desenleri temel alarak yeni verileri kullanarak tahmin oluşturma.
  • Tahmine dayalı olup olmadığını, hata miktarını ve aşırı sığdırma yapılıp yapılmayacağını öğrenmek için modeli değerlendirin.

Machine Learning Studio (klasik) makine öğrenimi için esnek ve özelleştirilebilir bir çerçeveyi destekler. Bu işlemdeki her görev belirli bir modül türü tarafından gerçekleştirilir. Modüller, denemenizin geri kalanı bozmadan değiştirilebilir, eklenebilir veya kaldırılabilir.

İlk algoritmayı seçmek için bu kategorideki modülleri kullanın. Ardından, belirli model türüne göre ayrıntılı parametreleri yapılandırın. Daha sonra bu model belirtimini bir veri kümesine uygulayabilirsiniz.

Model oluşturma hakkında

Azure Machine Learning, analitik modeller oluşturmanıza yardımcı olmak üzere çok sayıda sanat makinesi öğrenimi algoritması sağlar. Her algoritma kendi modülünde paketlenir. Özelleştirilmiş bir model oluşturmak için:

  1. Kategoriye göre model seçin.

    Algoritmalar, belirli tahmine dayalı görev türlerine göre gruplandırılır. Gerileme, sınıflandırma ve görüntü tanıma örnekleri aşağıda verilmiştir. İlk göreviniz, gerçekleştirilecek makine öğrenimi görevinin Genel kategorisini belirlemektir ve ardından bir algoritma seçer. Bir algoritmayı seçmek için yardıma ihtiyacınız varsa şu kaynaklara bakın:

  2. Algoritma parametrelerini yapılandırın.

    Parametreleri ayarlamak için her modülün Özellikler bölmesini kullanın. Parametreler, modelin verilerden öğrenme şeklini denetler.

  3. Veri üzerinde modeli eğitme.

    Modeli yapılandırdıktan sonra bir veri kümesi bağlayın. Ardından, kullanmak istediğiniz algoritmalarla veri çalıştırmak için eğitim modüllerinden birini kullanın.

    Tüm olası parametreleri yinelemek ve görev ve verileriniz için en iyi yapılandırmayı belirleyebilmek için, model hiper parametrelerini ayarla ' yı kullanabilirsiniz.

  4. Tahmin edin, puanı veya değerlendirin.

    Bir modeli derleyip eğitdikten sonra, genellikle bir sonraki adımınız, modele göre tahmin oluşturmak için Puanlama modüllerinden birini kullanmaktır.

    Oluşturduğunuz puanları temel alarak modelin doğruluğunu ölçmek için model değerlendirmesi için modülleri kullanabilirsiniz.

Modül listesi

Bu kategorideki modüller, modüllerin kapsüllendiği makine öğrenimi algoritmasının türüne göre düzenlenir. Her algoritma türü genellikle farklı türde veriler gerektirir.

Burada açıklanan geleneksel makine öğrenimi algoritması kategorilerinin yanı sıra aşağıdaki modüller, verilerden veya ön işlemden özel olarak öğrenme türlerini sağlar:

Ayrıca bkz.