ML .net clı ile model eğitimi otomatikleştirin
ML .net clı, .net geliştiricileri için model oluşturmayı otomatikleştirir.
ML .net apı 'sini kendisiyle kullanmak için (ML .net oto ML clı olmadan), bir daha (belirli bir görev için makine öğrenimi algoritması uygulaması) ve verilerinize uygulanacak veri dönüştürmeleri (özellik mühendisliği) kümesini seçmeniz gerekir. En iyi işlem hattı her bir veri kümesi için farklılık gösterir ve tüm seçeneklerden en uygun algoritmayı belirlemek karmaşıklığa ekler. Ayrıca, her algoritmanın ayarlanabilir bir hiper parametre kümesi vardır. Bu nedenle, özellik mühendisliğinin, öğrenme algoritmalarının ve hiper parametrelerin en iyi birleşimlerini bulmaya çalışarak, hafta ve bazen aylık olarak makine öğrenimi modeli iyileştirmesi harcamanıza izin verebilirsiniz.
ML .net clı, otomatik makine öğrenimi (otomatikml) kullanarak bu işlemi basitleştirir.
Not
bu konu, şu anda önizleme aşamasında olan ML .net clı ve ML .net oto ML'ye başvurur ve malzemeler değişebilir.
ML .net komut satırı arabirimi (clı) nedir?
.net clı ML .net Core aracıdır. yüklendikten sonra, bir makine öğrenimi görevi ve eğitim veri kümesi verirsiniz ve bir ML .net modeli ve uygulamanızdaki modeli kullanmak için çalıştırılacak C# kodu oluşturur.
aşağıdaki şekilde gösterildiği gibi, bu modeli çalıştırmak/skor için yüksek kaliteli ML .net modeli (serileştirilmiş model .zip dosyası) ve örnek C# kodu oluşturmak kolaydır. Ayrıca, bu modeli oluşturmak/eğitebilmek için C# kodu da oluşturulur. böylece, bu oluşturulan "en iyi model" için kullanılan algoritmayı ve ayarları araştırıp yineleyebilirsiniz.
kendi veri kümelerinizde bu varlıkları kendiniz kodlamadan oluşturabilirsiniz. bu sayede, zaten .net ML tanıyor olsanız bile üretkenliğinizi de artırır.
şu anda ML .net clı tarafından desteklenen ML görevleri şunlardır:
- sınıflandırma
- regresyon
- Önerilen
- görüntü sınıflandırması
Kullanım örneği (sınıflandırma senaryosu):
mlnet classification --dataset "yelp_labelled.txt" --label-col 1 --has-header false --train-time 10
Windows PowerShell, macos/Linux bash veya Windows CMD' de aynı şekilde çalıştırabilirsiniz. ancak, tablo otomatik tamamlama (parametre önerileri) Windows CMD üzerinde çalışmaz.
Oluşturulan çıkış varlıkları
clı 'deki ML görev komutları, çıkış klasöründe aşağıdaki varlıkları oluşturur:
- Seri hale getirilmiş bir model .zip ("en iyi model") tahmin çalıştırmaları için kullanıma uygun.
- İle C# çözümü:
- Oluşturulan modeli çalıştırmak/öğrenmek için C# kodu (bu modelle Son Kullanıcı uygulamalarınızda tahminleri yapmak için).
- Bu modeli oluşturmak için kullanılan eğitim koduna sahip C# kodu (öğrenme amaçları veya model yeniden eğitimi için).
- Ayrıntılı yapılandırma/işlem hattı da dahil olmak üzere, değerlendirilen birden çok algoritmayana tüm yinelemeler/sweeps bilgileri içeren günlük dosyası.
ilk iki varlık, bu ML modeliyle tahmine dayalı hale getirmek için son kullanıcı uygulamalarınızda (ASP.NET Core web uygulaması, hizmetler, masaüstü uygulaması vb.) doğrudan kullanılabilir.
eğitim kodu, üçüncü varlık tarafından oluşturulan modeli eğmek için clı tarafından hangi ML .net apı kodunun kullanıldığını gösterir. böylece, modelinize yeniden eğitebilmeniz ve bu, her tür için clı ve oto ML tarafından seçili olan belirli bir eğitimci/algoritma ve hiper parametre üzerine araştırma ve yineleme yapmanız gerekir.
Modelin kalitesini anlama
clı aracıyla bir ' en iyi model ' oluşturduğunuzda, hedeflediğiniz ML görevi için uygun olan kalite ölçümlerini (doğruluk ve R-kare gibi) görürsünüz.
burada, otomatik olarak oluşturulan ' en iyi modellerinizin kalitesini anlayabilmeniz için bu ölçümler ML göreve göre gruplandırılır.
Sınıflandırma modelleriyle ilgili ölçümler
Aşağıdaki görüntüde, CLı tarafından bulunan ilk beş modelin sınıflandırma ölçümleri listesi görüntülenir:
Doğruluk, sınıflandırma sorunları için popüler bir ölçümdür, ancak doğruluk, aşağıdaki başvurularda açıklanacak şekilde en iyi modeli seçmek için her zaman en iyi ölçüm değildir. Ek ölçümler ile modelinizin kalitesini değerlendirmeniz gereken durumlar vardır.
CLı tarafından çıktı olan ölçümleri araştırmak ve anlamak için bkz. Sınıflandırma Için değerlendirme ölçümleri.
Gerileme ve öneri modelleriyle ilgili ölçümler
Gözlemlenen değerler ve modelin öngörülen değerleri arasındaki farklılıklar küçük ve taraflı değilse, regresyon modeli verileri iyi bir şekilde sığdırır. Gerileme, belirli ölçümler ile değerlendirilebilir.
clı tarafından bulunan ilk beş kalite modeli için benzer bir ölçüm listesi görürsünüz. bu durumda, ilk beş bir gerileme ML göreviyle ilgilidir:
CLı tarafından çıktı olan ölçümleri araştırmak ve anlamak için bkz. gerileme Için değerlendirme ölçümleri.