Model Eğitme

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.

Bir sınıflandırma veya regresyon modelini denetimli bir şekilde yapın

kategori: Machine Learning/eğitme

Not

uygulama hedefi: yalnızca Machine Learning Studio (klasik)

benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.

Modüle genel bakış

bu makalede, bir sınıflandırma veya regresyon modelini eğitmek için Machine Learning Studio 'da (klasik) model eğitimi modülünün nasıl kullanılacağı açıklanır. Eğitim, bir modeli tanımladıktan ve parametrelerini ayarladıktan sonra ve etiketli veriler gerektirdiğinde gerçekleşir. Ayrıca, mevcut bir modeli yeni verilerle yeniden eğitmek için eğitme modeli ' ni de kullanabilirsiniz.

Eğitim süreci nasıl işler?

Machine Learning, makine öğrenimi modelinin oluşturulması ve kullanılması genellikle üç adımlı bir işlemdir.

  1. Bir modeli, belirli bir algoritma türü seçerek ve parametrelerini veya hiper parametrelerini tanımlayarak yapılandırırsınız. Aşağıdaki model türlerinden birini seçin:

    • Sinir Networks, karar ağaçları ve karar ormanları ve diğer algoritmalara göre Sınıflandırma modelleri.
    • Standart doğrusal regresyon veya sinir Networks ve Bayme gerileme dahil diğer algoritmaları kullanan regresyon modelleri.
  2. Etiketli ve verilerle uyumlu olan bir veri kümesi sağlayın. modeli eğitmekiçin hem verileri hem de modeli Bağlan.

    Eğitimin ürettiği, verilerden öğrenilen istatistiksel desenleri kapsayan, Ilearnerolan belirli bir ikili biçimdir. Bu biçimi doğrudan değiştiremez veya okuyabilirsiniz; Ancak, bu eğitilen modeli, Studio 'daki diğer modüller (klasik) kullanabilir.

    Ayrıca modelin özelliklerini görüntüleyebilirsiniz. Daha fazla bilgi için sonuçlar bölümüne bakın.

  3. Eğitim tamamlandıktan sonra, yeni verilerde tahmine dayalı hale getirmek için, Puanlama modülleriyleeğitilen modeli kullanın.

Not

Diğer özelleştirilmiş makine öğrenimi görevleri için farklı eğitim yöntemleri gerekir ve Studio (klasik) onlar için ayrı eğitim modülleri sağlar. Örneğin, görüntü algılama, kümeleme ve anomali tüm özel eğitim yöntemlerini kullanır. Eğitim modeli yalnızca gerileme ve sınıflandırma modelleriyle kullanılmak üzere tasarlanmıştır.

Denetimli ve denetimli eğitim

Denetimli veya denetimli biröğrenme koşullarını duymuş olabilirsiniz. Bir sınıflandırma veya regresyon modelini eğitme modeliyle eğitmek, denetlenen makine öğrenmesininklasik bir örneğidir. Bu, desenlerin öğrenilecek geçmiş verileri içeren bir veri kümesi sağlamanız gerektiği anlamına gelir. Veriler, tahmin etmeye çalıştığınız sonuçları (etiket) ve ilgili faktörleri (değişkenler) içermelidir. Machine Learning modeli, sonuçları en iyi tahmin eden özellikleri belirlemede sonuçlar gerektirir.

Eğitim süreci sırasında veriler sonuçları göre sıralanır ve algoritma modeli oluşturmak için istatistiksel desenleri ayıklar.

Denetimsiz öğrenme , sonucun bilinmediğini ya da bilinen etiketleri kullanmayı tercih etmediğinizi belirtir. Örneğin, kümeleme algoritmaları genellikle denetimli öğrenme yöntemleri kullanır, ancak kullanılabiliyorsa etiketleri kullanabilir. Diğer bir örnek, ldakullanan konu modellemesi örneğidir. Bu algoritmalarla modeli eğitme ' i kullanamazsınız.

İpucu

Machine Learning 'de yeni misiniz? Bu öğretici, veri alma, bir algoritma yapılandırma, eğitim ve daha sonra model kullanma işleminde size kılavuzluk eder: ilk makine öğrenimi denemenizi oluşturma

Eğitim modeli kullanma

  1. Machine Learning Studio 'da (klasik), bir sınıflandırma modeli veya regresyon modeli modelleri yapılandırın.

    Ayrıca, Create R modelkullanarak oluşturulan özel bir modeli eğitebilirsiniz.

  2. Deneyle model eğitimi modülünü ekleyin. bu modülü Machine Learning kategorisi altında bulabilirsiniz. Eğit' i genişletin ve ardından model eğitme modülünü denemenize sürükleyin.

  3. Sol girişte, eğitilen modunu ekleyin. Eğitim veri kümesini, tren modelininsağ girdisine iliştirin.

    Eğitim veri kümesi bir etiket sütunu içermelidir. Etiketleri olmayan herhangi bir satır yok sayılır.

  4. Etiket sütunuiçin, sütun seçiciyi Başlat' a tıklayın ve modelin eğitim için kullanabileceği sonuçları içeren tek bir sütun seçin.

    • Sınıflandırma sorunları için etiket sütunu kategorik değerler ya da ayrık değerler içermelidir. Bazı örnekler bir Evet/Hayır derecelendirmesi, bir dimevsimi sınıflandırma kodu veya adı ya da bir gelir grubu olabilir. Kategorik olmayan bir sütun seçerseniz, modül eğitim sırasında bir hata döndürür.

    • Regresyon sorunları için etiket sütunu, yanıt değişkenini temsil eden sayısal veriler içermelidir. İdeal olarak, sayısal veriler sürekli bir ölçeklendirmeyi temsil eder.

    Örnekler, bir kredi risk puanı, bir sabit sürücü için öngörülen başarısızlık süresi veya belirli bir gün ya da zaman için bir çağrı merkezine tahmini çağrı sayısı olabilir. Sayısal bir sütun belirtmezseniz bir hata alabilirsiniz.

    • kullanılacak etiket sütununu belirtmezseniz, Machine Learning, veri kümesinin meta verilerini kullanarak ilgili etiket sütunu olduğunu belirtmektir. Yanlış sütunu seçer, düzeltmek için sütun seçiciyi kullanın.

    İpucu

    Sütun seçiciyi kullanırken sorun yaşıyorsanız, ipuçları için veri kümesindeki sütunları seçme makalesine bakın. KURALLARıN ve ad seçeneklerinin kullanımı ile ilgili bazı yaygın senaryolar ve ipuçları açıklanmaktadır.

  5. Denemeyi çalıştırın. Çok fazla veriniz varsa bu işlem biraz zaman alabilir.

Sonuçlar

Model eğitilirken:

  • Model parametrelerini ve özellik ağırlıklarını görüntülemek için, çıkışa sağ tıklayın ve Görselleştir' i seçin.

  • Modeli diğer denemeleri kullanmak için modele sağ tıklayın ve modeli Kaydet' i seçin. Model için bir ad yazın.

    Bu, modeli tekrarlayarak yinelenen çalıştırmaları tarafından güncelleştirilmemiş bir anlık görüntü olarak kaydeder.

  • Modeli yeni değerleri tahmin etmek üzere kullanmak için, yeni giriş verileriyle birlikte, puan modeli modülüne bağlayın.

Model eğitme modelitarafından desteklenmeyen bir model türünü eğmeniz gerekiyorsa, birkaç seçenek vardır:

  • R betiği kullanarak özel bir Puanlama yöntemi oluşturun veya kullanılabilen birçok R Puanlama paketini kullanın.

  • Bir modeli eğitme veya Puanlama için kendi Python betiğinizi yazın veya mevcut bir Python kitaplığını kullanın:

  • Anomali algılama modelleri

  • Öneri modelleri

    • modelinize Machine Learning için önerilen matchbox kullanılıyorsa, tren matchbox öneren modülünü kullanın.

    • Pazar sepeti analizi veya önerisi için farklı bir algoritma kullanıyorsanız, R betiği veya Python betiği' nde eğitim yöntemlerini kullanın.

  • Kümeleme modelleri

Örnekler

Makine öğrenimi denemeleri 'da eğitim modeli modülünün nasıl kullanıldığı hakkında örnekler için Azure yapay zeka Galerisişu denemeleri bakın:

  • Perakende Tahmini: Birden çok modeli oluşturma, eğitma ve karşılaştırmayı gösteriyor.
  • Uçuş GecikmeSi Tahmini: Birden çok ilgili sınıflandırma modeli eğitme hakkında bilgi sağlar.

Beklenen girişler

Ad Tür Description
Eğitilmemiş model ILearner arabirimi Eğitilmemiş öğrenciler
Veri kümesi Veri Tablosu Eğitim verileri

Modül parametreleri

Name Aralık Tür Varsayılan Description
Etiket sütunu herhangi biri ColumnSelection Etiketi veya sonuç sütununu içeren sütunu seçin

Çıkışlar

Ad Tür Description
Eğitilen model ILearner arabirimi Eğitilen öğrenciler

Özel durumlar

Tüm modül hatalarının listesi için bkz. Modül Hata Kodları.

Özel durum Description
Hata 0032 Bağımsız değişken sayı değilse özel durum oluşur.
Hata 0033 Bağımsız değişken Infinity ise özel durum oluşur.
Hata 0083 Eğitim için kullanılan veri kümesi somut bir öğrenme türü için kullanılamazsa özel durum oluşur.
Hata 0035 Özel durum, verilen bir kullanıcı veya öğe için hiçbir özellik sağlanamıyorsa oluşur.
Hata 0003 Bir veya daha fazla giriş null veya boşsa özel durum oluşur.
Hata 0020 Modüle geçirilen bazı veri kümelerinin sütun sayısı çok küçükse özel durum oluşur.
Hata 0021 Modüle geçirilen bazı veri kümelerinin satır sayısı çok küçükse özel durum oluşur.
Hata 0013 Modül öğrenicisi geçersiz türe sahipse özel durum oluşur.

Ayrıca bkz.

Modeli Değerlendirme
A-Z Modül Listesi