ML .net 'te makine öğrenimi görevleri

  • Makale
  • Okumak için 3 dakika

Makine öğrenimi görevi, istenen sorun veya soruya ve kullanılabilir verilere göre yapılan tahmin veya çıkarım türüdür. Örneğin, sınıflandırma görevi verileri kategorilere atar ve kümeleme görevi verileri benzerliğe göre gruplandırır.

Machine Learning görevleri, verileri açıkça programlanabilir değil, verilerdeki desenlere bağlıdır.

bu makalede, ML .net ve bazı yaygın kullanım durumları arasından seçim yapabileceğiniz farklı makine öğrenimi görevleri açıklanmaktadır.

Senaryolarınız için hangi görevin çalıştığına karar verdikten sonra, modelinize eğitebilmeniz için en iyi algoritmayı seçmeniz gerekir. Kullanılabilir algoritmalar her görevin bölümünde listelenmiştir.

İkili sınıflandırma

İki sınıftan (kategori) hangisinin ait olduğunu tahmin etmek için kullanılan denetimli bir makine öğrenimi görevi. Sınıflandırma algoritmasının girişi, her etiketin 0 veya 1 tamsayısı olduğu etiketli örnekler kümesidir. İkili sınıflandırma algoritmasının çıktısı, yeni etiketlenmiş olmayan örneklerin sınıfını tahmin etmek için kullanabileceğiniz bir sınıflandırıcıdır. İkili sınıflandırma senaryolarına örnek olarak şunlar verilebilir:

  • Twitter açıklamalarının yaklaşımını "pozitif" veya "negatif" olarak anlama.
  • Hasta 'in belirli bir sapmasına sahip olup olmadığını tanılama.
  • E-postayı "istenmeyen posta" olarak işaretlemek için bir karar verme.
  • Bir fotoğrafın bir köpek ya da meyve gibi belirli bir öğe içerip içermediğini belirleme.

Daha fazla bilgi için Vikipde bulunan ikili sınıflandırma makalesine bakın.

İkili sınıflandırma traiciler

Aşağıdaki algoritmaları kullanarak bir ikili sınıflandırma modeli eğitebilirsiniz:

İkili sınıflandırma girişleri ve çıkışları

İkili sınıflandırmayla en iyi sonuçları elde etmek için eğitim verilerinin dengelenmesi gerekir (yani, pozitif ve negatif eğitim verilerinin eşit sayısı). Eksik değerler, eğitimin önüne alınmalıdır.

Giriş etiketi sütun verileri olmalıdır Boolean . Giriş özellikleri sütun verileri sabit boyutlu bir vektör olmalıdır Single .

Bu traçler aşağıdaki sütunları çıktı:

Çıkış sütunu adı Sütun türü Description
Score Single Model tarafından hesaplanan ham puan
PredictedLabel Boolean Puanınızın işaretine göre öngörülen etiket. Negatif puan ile eşlenir false ve bir pozitif puan ile eşlenir true .

Birden çok Lass sınıflandırması

Bir veri örneğinin sınıfını (kategori) tahmin etmek için kullanılan denetimli bir makine öğrenimi görevi. Sınıflandırma algoritmasının girişi, etiketlenmiş bir örnek kümesidir. Her etiket normalde metin olarak başlar. Daha sonra TermTransform aracılığıyla çalıştırılır. Bu, anahtar (sayısal) türüne dönüştürür. Bir sınıflandırma algoritmasının çıktısı, yeni etiketlenmiş olmayan örneklerin sınıfını tahmin etmek için kullanabileceğiniz bir sınıflandırıcıdır. Çok sınıflı sınıflandırma senaryolarına örnek olarak şunlar verilebilir:

  • Fışıkları "erken", "zamanında" veya "geç" olarak kategorilere ayırma.
  • Film incelemelerini "pozitif", "nötr" veya "negatif" olarak anlama.
  • Otel incelemelerini "konum", "Price", "cleanliness" vb. olarak kategorilere ayırma.

Daha fazla bilgi için Vikipde bulunan birden çok sınıf sınıflandırması makalesine bakın.

Not

Bunlardan biri, birden çok Lass veri kümesi üzerinde işlem yapmak için herhangi bir ikili sınıflandırmanın yükseltimidir . Vikipedihakkında daha fazla bilgi.

Birden çok Lass sınıflandırma traipleyiciler

Aşağıdaki eğitim algoritmalarını kullanarak çok bir Lass sınıflandırma modelini eğitebilirsiniz:

Birden çok Lass sınıflandırma girişleri ve çıkışları

Giriş etiketi sütun verileri, anahtar türünde olmalıdır. Özellik sütunu sabit boyutlu bir vektör olmalıdır Single .

Bu, aşağıdaki çıkışları verir:

Çıkış adı Tür Description
Score Vektör Single Tüm sınıfların puanları. Daha yüksek değer, ilişkili sınıfa düşecek daha büyük olasılık anlamına gelir. İ-th öğesi en büyük değere sahipse, tahmin edilen etiket dizini i olur. Sıfır tabanlı dizin olduğunu unutmayın.
PredictedLabel anahtar türü Tahmin edilen etiketin dizini. Değeri i ise, gerçek etiket anahtar değerli giriş etiketi türündeki ı-TH kategorisi olacaktır.

Regresyon

Bir ilişkili özellikler kümesinden etiketin değerini tahmin etmek için kullanılan denetimli bir makine öğrenimi görevi. Etiket herhangi bir gerçek değer olabilir ve sınıflandırma görevlerinde olduğu gibi sınırlı bir değer kümesinden değildir. Regresyon algoritmaları, özelliğin değerleri farklılaştırılmadıkça etiketin nasıl değiştirileceğini anlamak için ilgili özellikler üzerindeki etiketin bağımlılığını modelleyebilir. Regresyon algoritmasının girişi, bilinen değerlerin etiketlerine sahip bir örnek kümesidir. Regresyon algoritmasının çıktısı, herhangi bir yeni giriş özellikleri kümesi için etiket değerini tahmin etmek üzere kullanabileceğiniz bir işlevdir. Regresyon senaryolarına örnek olarak şunlar verilebilir:

  • Yatak odası, konum veya boyut gibi ev özniteliklerini temel alan ev fiyatlarını tahmin etme.
  • Geçmiş verileri ve geçerli pazar eğilimlerini temel alarak gelecekteki stok fiyatlarını tahmin etme.
  • Tanıtım bütçeleri temelinde bir ürünün satışlarını tahmin etme.

Gerileme tracılar

Aşağıdaki algoritmaları kullanarak bir regresyon modeli eğitebilirsiniz:

Regresyon girişleri ve çıktılar

Giriş etiketi sütun verileri olmalıdır Single .

Bu görev için şu kadar traipler aşağıda verilmiştir:

Çıkış adı Tür Description
Score Single Model tarafından tahmin edilen ham puan

Kümeleme

Benzer özellikler içeren kümelere veri örneklerini gruplamak için kullanılan, denetimli bir makine öğrenimi görevi. Kümeleme, göz atma veya basit gözlemlemeye göre mantıksal olarak türeteceğiniz bir veri kümesindeki ilişkileri tanımlamak için de kullanılabilir. Bir kümeleme algoritmasının giriş ve çıkışları, seçilen metodolojiye bağlıdır. Dağıtım, centroıd, bağlantı veya Yoğunluk tabanlı yaklaşıma sahip olabilirsiniz. ML .net şu anda K-anlamı kümelemesi kullanarak centroıd tabanlı bir yaklaşımı desteklemektedir. Kümeleme senaryolarına örnekler şunlardır:

  • Otel seçeneklerinin alışkanlıklarını ve özelliklerini temel alarak otel konuklarının segmentlerini anlama.
  • Hedeflenen reklam kampanyaları oluşturmaya yardımcı olmak için müşteri segmentlerini ve demografik tanımlama.
  • Stoku üretim ölçümlerine göre kategorilere ayırma.

Kümeleme eğitmen

Aşağıdaki algoritmayı kullanarak bir kümeleme modeli eğitebilirsiniz:

Kümeleme girişleri ve çıkışları

Giriş özellikleri verileri olmalıdır Single . Etiket gerekli değildir.

Bu, aşağıdaki çıkışları verir:

Çıkış adı Tür Description
Score vektör Single Verilen veri noktasının tüm kümelerdeki mesafeler ' centriods
PredictedLabel anahtar türü Model tarafından tahmin edilen en yakın küme dizini.

Anormallik algılama

Bu görev, sorumlu bileşen analizi (PCA) kullanarak bir anomali algılama modeli oluşturur. PCA-Based anomali algılama, geçerli işlemler gibi bir sınıftan eğitim verileri elde etmek, ancak hedeflenen bozukluklar için yeterli örnek elde etmek zor olan senaryolarda bir model oluşturmanıza yardımcı olur.

Machine Learning 'de sağlanan bir teknik, PCA verilerin iç yapısını açığa çıkardığından ve verilerdeki varyansı bildirdiği için araştırmacı veri analizinde sıklıkla kullanılır. PCA birden çok değişken içeren verileri analiz ederek işe yarar. Değişkenler arasında bağıntılar arar ve sonuçların farklarını en iyi şekilde yakalayan değerlerin birleşimini belirler. Bu Birleşik özellik değerleri, sorumlu bileşenleri olarak adlandırılan daha kompakt bir özellik alanı oluşturmak için kullanılır.

Anomali algılama, Machine Learning 'de birçok önemli görevi kapsar:

  • Potansiyel olarak sahte olan işlemleri tanımlama.
  • bir ağ girişi gerçekleştiğini belirten desenler Learning.
  • Anormal bir hastaların kümelerini bulma.
  • Sisteme girilen değerler denetleniyor.

Anomali, tanıma göre nadir olaylar olduğundan, modelleme için kullanılacak verilerin temsili bir örneğini toplamak zor olabilir. Bu kategoriye dahil edilen algoritmalar, özellikle de imdendengelenmiş veri kümeleri kullanılarak modeller oluşturma ve eğitim konusunda temel zorlukları karşılamak üzere tasarlanmıştır.

Anomali algılama

Aşağıdaki algoritmayı kullanarak bir anomali algılama modeli eğitebilirsiniz:

Anomali algılama girişleri ve çıkışları

Giriş özellikleri sabit boyutlu bir vektör olmalıdır Single .

Bu, aşağıdaki çıkışları verir:

Çıkış adı Tür Description
Score Single Anomali algılama modeli tarafından hesaplanan negatif olmayan, sınırlandırılmamış puan
PredictedLabel Boolean Girişin bir anomali (PredictedLabel = true) olup olmadığını temsil eden doğru/yanlış değeri (PredictedLabel = false)

Sıralamasına

Bir derecelendirme görevi bir etiketli örnekler kümesinden derecelendiricisini oluşturur. Bu örnek küme, verilen ölçütlerle puanlanbir örnek gruplarından oluşur. Sıralama etiketleri her örnek için {0, 1, 2, 3, 4}. Derecelendiricisini, her örnek için bilinmeyen puanları olan yeni örnek gruplarını derecelendirmek için eğitim sağlar. ML .net derecelendirmesi öğrenenler, makine tarafından öğrenilen sıralama tabanlıdır.

Derecelendirme eğitimi algoritmaları

Aşağıdaki algoritmalarla bir derecelendirme modeli eğitebilirsiniz:

Sıralama girişi ve çıkışları

Giriş etiketi veri türü, anahtar türünde veya olmalıdır Single . Etiketin değeri ilgiyi belirler, burada daha yüksek değerler daha yüksek uygunluğu gösterir. Etiket bir anahtar türü ise, anahtar dizin, en küçük dizin en az ilgili olan ilgi değeridir. Etiket bir ise Single , daha büyük değerler daha yüksek uygunluğu gösterir.

Özellik verileri sabit boyutlu bir vektör olmalıdır Single ve giriş satırı grup sütunu anahtar türünde olmalıdır.

Bu, aşağıdaki çıkışları verir:

Çıkış adı Tür Description
Score Single Tahmin belirlenmesi için model tarafından hesaplanan, sınırlandırılmamış puan

Öneri

Öneri görevi, önerilen ürünlerin veya hizmetlerin bir listesini üretmenizi mümkün. ML .net, kataloğunuzda geçmiş ürün derecelendirme verileri olduğunda öneriler için birlikte çalışan bir filtreleme algoritması olan matris factoronu (MF)kullanır. Örneğin, kullanıcılarınız için geçmiş film derecelendirme verileri vardır ve diğer filmleri daha sonra izlemek isteyebilirsiniz.

Öneri eğitimi algoritmaları

Aşağıdaki algoritmayla bir öneri modeli eğitebilirsiniz:

Tahmin etme

Tahmin görevi, gelecekteki davranışları hakkında tahminler yapmak için geçen zaman serisi verilerini kullanır. Tahmin için geçerli olan senaryolar, hava durumu tahmini, dönemsel satış tahminleri ve tahmine dayalı bakım dahil,

Tahmin tahminleri tahmin ediliyor

Aşağıdaki algoritmayla bir tahmin modeli eğitebilirsiniz:

ForecastBySsa

Resimleri Sınıflandırma

Bir görüntünün sınıfını (kategori) tahmin etmek için kullanılan denetimli bir makine öğrenimi görevi. Giriş, etiketlenmiş bir örnek kümesidir. Her etiket normalde metin olarak başlar. Daha sonra TermTransform aracılığıyla çalıştırılır. Bu, anahtar (sayısal) türüne dönüştürür. Görüntü sınıflandırma algoritmasının çıktısı, yeni görüntülerin sınıfını tahmin etmek için kullanabileceğiniz bir sınıflandırıcıdır. Görüntü sınıflandırma görevi, birden çok Lass sınıflandırmasının bir türüdür. Görüntü sınıflandırma senaryolarına örnekler şunlardır:

  • Bir köpek "Sıberian Husky", "altın Retriever", "Pookıl" vb. olarak belirlenir.
  • Bir üretim ürününün arızalı olup olmadığını belirleme.
  • Ne tür çiçekler "gül", "güneş çiçeği" vb. belirlenir.

Görüntü sınıflandırması tracılar

Aşağıdaki eğitim algoritmalarını kullanarak bir görüntü sınıflandırma modeli eğitebilirsiniz:

Görüntü sınıflandırması girişleri ve çıkışları

Giriş etiketi sütun verileri, anahtar türünde olmalıdır. Özellik sütunu, değişken boyutlu bir vektör olmalıdır Byte .

Bu, aşağıdaki sütunları verir:

Çıkış adı Tür Description
Score Single Tüm sınıfların puanları. Daha yüksek değer, ilişkili sınıfa düşecek daha büyük olasılık anlamına gelir. İ-th öğesi en büyük değere sahipse, tahmin edilen etiket dizini i olacaktır. sıfır tabanlı bir dizin olduğunu unutmayın.
PredictedLabel Anahtar türü Tahmin edilen etiketin dizini. Değeri i ise, gerçek etiket anahtar değerli giriş etiketi türündeki ı-TH kategorisi olacaktır.

Nesne Algılama

Bir görüntünün sınıfını (kategori) tahmin etmek için kullanılan denetimli bir makine öğrenimi görevi, ancak aynı zamanda bu kategorinin görüntüde olduğu yere bir sınırlayıcı kutu sağlar. Görüntüde tek bir nesneyi sınıflandırmak yerine, nesne algılama bir görüntü içinde birden çok nesneyi algılayabilir. Nesne algılama örnekleri şunları içerir:

  • Bir yolun görüntülerinde otomobilleri, işaretleri veya kişileri algılama.
  • Ürünlerin görüntülerinde kusur algılama.
  • X-Ray görüntülerinde sorun alan bölümleri algılanıyor.

Nesne algılama modeli eğitimi şu anda yalnızca Azure Machine Learning kullanan model Oluşturucu 'da kullanılabilir.