Birleştirme sayısı dönüşümü
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.
- makine öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
- Azure Machine Learninghakkında daha fazla bilgi edinin.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Bir sayı tablosunu temel alan özellikler kümesi oluşturur
kategori: sayımlar ile Learning
Not
uygulama hedefi: yalnızca Machine Learning Studio (klasik)
benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.
Modüle genel bakış
bu makalede, iki sayı tabanlı özellik kümesini birleştirmek için Machine Learning Studio 'da (klasik) birleştirme sayısı dönüştürme modülünün nasıl kullanılacağı açıklanır. İki ilişkili sayı ve özellik kümesini birleştirerek özelliklerin kapsamını ve dağıtımını iyileştirebilmeniz olasıdır.
sayılardan Learning, özellikle yüksek kardinalite özelliklerine sahip büyük veri kümelerinde yararlı olur. Birden çok veri kümesini yeniden işlemek zorunda kalmadan Count tabanlı özellik kümelerinde birleştirebilme özelliği, çok büyük veri kümelerinde istatistik toplanmasını kolaylaştırır ve bunları yeni veri kümelerine uygular. Örneğin, sayı tabloları terabayt veri üzerinden bilgi toplamak için kullanılabilir. Bu istatistikleri, küçük veri kümelerinde tahmine dayalı modellerin doğruluğunu artırmak için yeniden kullanabilirsiniz.
İki sayı tabanlı özellik kümesini birleştirmek için, özellikler aynı şemaya sahip olan tablolar kullanılarak oluşturulmuş olmalıdır: diğer bir deyişle, her iki küme aynı sütunları kullanmalıdır ve aynı adlara ve veri türlerine sahip olmalıdır.
Birleştirme sayısı dönüşümünü yapılandırma
Birleştirme sayısı dönüşümünükullanmak için en az bir sayı tabanlı dönüştürme oluşturmuş ve bu dönüşümün çalışma alanınızda mevcut olması gerekir. Farklı bir deneyden sayı tabanlı bir dönüşüm kaydettiyseniz, dönüşümler grubuna bakın. Dönüşümü geçerli deneyde oluşturduysanız, aşağıdaki modüllerin çıkışlarını bağlayın:
Derleme sayım dönüştürmesi. Kaynak verilerden yeni bir sayı tabanlı dönüşüm oluşturur.
Sayım tablosu parametrelerini değiştirin. Var olan bir Count dönüşümünü girdi olarak alır ve güncelleştirilmiş bir dönüşüm verir.
Sayım tablosu Içeri aktarma. Bu modül, sayı tabanlı öğrenimi kullanan eski denemeleri ile geriye dönük uyumluluğu destekler. Bir veri kümesindeki değerlerin dağılımını çözümlemek için Içeri aktarma sayısı tablosu ' nu kullandıysanız ve ardından değerleri kullanım dışı sayı Fealaizer modülünü kullanarak özelliklere dönüştürürseniz, sonuçları bir dönüşüme dönüştürmek Için Içeri aktarma sayısı tablosunu kullanın.
Birleştirme sayısı dönüştürme modülünü denemeye ekleyin ve her girişe bir dönüşüm bağlayın.
İpucu
İkinci dönüşüm isteğe bağlı bir giriştir. aynı dönüştürmeyi iki kez bağlayabilirsiniz veya ikinci giriş bağlantı noktasında hiçbir şey bağlayabilirsiniz.
İkinci veri kümesinin birinciyle eşit olarak ağırlıklı olmasını istemiyorsanız, Decay faktörüiçin bir değer belirtin. Yazdığınız değer, ikinci dönüşümden özellik kümesinin nasıl ağırlıklı olması gerektiğini gösterir.
Örneğin, varsayılan 1 değeri her iki özellik kümesini eşit olarak ağırlıklarsa. 5 değeri, ikinci kümesindeki özelliklerin ilk küme içindeki ağırlıklardan yarıya sahip olacağı anlamına gelir.
İsteğe bağlı olarak, dönüşüm modülünü Uygula ' nın bir örneğini ekleyin ve dönüşümü bir veri kümesine uygulayın.
Örnekler
Bu modülün nasıl kullanıldığına ilişkin örnekler için Azure yapay zeka Galerisibakın:
sayımlar ile Learning: ikili sınıflandırma: bir ikili sınıflandırma modeli için kategorik değer sütunlarından özellikler oluşturmak üzere sayımlar ile öğrenme modüllerini nasıl kullanacağınızı gösterir.
sayımlar Learning: nyc taxı verileri ile birden çok lass sınıflandırması: genel olarak kullanılabilir nyc taxı veri kümesinde birden çok lass sınıflandırması gerçekleştirmek için, sayı modülleriyle öğrenmesinin nasıl kullanılacağını gösterir. Örnek, bu sorunu modellemek için çok Lass lojistik regresyon öğrenici kullanır.
sayımlar ile Learning: nyc taxı verileri ile ikili sınıflandırma: genel olarak kullanılabilir nyc taxı veri kümesinde ikili sınıflandırma gerçekleştirmek için sayımlarla öğrenme modülleriyle nasıl kullanılacağını gösterir. Örnek, sorunu modellemek için iki sınıflı bir lojistik regresyon öğrenici kullanır.
Beklenen girişler
| Ad | Tür | Description |
|---|---|---|
| Önceki sayım dönüştürmesi | Iransform arabirimi | Düzenlenecek sayım dönüşümü |
| Yeni sayım dönüşümü | Iransform arabirimi | Eklenecek sayım dönüşümü (isteğe bağlı) |
Modül parametreleri
| Ad | Tür | Aralık | İsteğe Bağlı | Description | Varsayılan |
|---|---|---|---|---|---|
| Decay faktörü | Float | Gerekli | 1.0 f | Doğru giriş bağlantı noktasındaki sayım dönüşümüyle çarpılacak Decay faktörü |
Çıkışlar
| Ad | Tür | Description |
|---|---|---|
| Birleştirilmiş sayım dönüşümü | Iransform arabirimi | Birleştirilmiş dönüşüm |
Özel durumlar
| Özel durum | Description |
|---|---|
| Hata 0003 | Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur. |
| Hata 0086 | Bir sayım dönüştürmesi geçersiz olduğunda özel durum oluşur. |