Birleştirme sayısı dönüşümü

Bir sayı tablosunu temel alan özellikler kümesi oluşturur

Kategori: sayımlar Ile öğrenme

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, iki sayı tabanlı özellik kümesini birleştirmek için Azure Machine Learning Studio (klasik) içindeki birleştirme sayısı dönüştürme modülünün nasıl kullanılacağı açıklanır. İki ilişkili sayı ve özellik kümesini birleştirerek özelliklerin kapsamını ve dağıtımını iyileştirebilmeniz olasıdır.

Sayımlar öğrenimi, yüksek önem düzeyi özelliklerine sahip büyük veri kümelerinde özellikle yararlıdır. 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

  1. Birleştirme sayısı dönüşümünü kullanmak 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:

  2. 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.

  3. İkinci veri kümesinin birinciyle eşit olarak ağırlıklı olmasını istemiyorsanız, Decay faktörü için 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.

  4. 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:

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.

Ayrıca bkz.

Sayımlar ile öğrenme