資料轉換 - 篩選

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

本文說明如何使用機器學習 Studio 中的篩選模組， (傳統) 來轉換數位資料。此適用于機器學習 Studio (傳統) 工具群組中的模組是以針對數位訊號處理技術開發的篩選為基礎。

注意

適用于：僅限機器學習 Studio (傳統)

Azure Machine Learning設計工具中提供類似的拖放模組。

篩選通常會套用至資料處理階段或前置處理階段中的資料。篩選可增強用於機器學習的訊號清楚。例如，您可以在機器學習 Studio 中使用篩選模組， (傳統) 來進行這些處理工作：

這些模組會使用經過妥善研究的演算法，以數學方式轉換電壓資料，提供簡單的篩選設定。如果您已經決定要套用至資料的正確係數，您也可以建立自訂濾波器。

如果您需要依資料列從資料集中排除資料、移除遺漏值或減少資料集大小等工作，請改用下列模組：

數位訊號處理中的篩選

就像您可以將篩選附加至相機以補償光源或建立特殊效果一樣，您可以將篩選套用至您用於機器學習的資料。篩選可協助改善訊號的清楚性、擷取有趣的特性，或減少雜訊。

理想的篩選準則會消除所有雜訊，並針對所需的訊號具有統一的敏感度。但是，甚至設計相當良好的篩選，可能需要許多反復專案或技術組合。如果您成功設計有效的篩選，請考慮儲存篩選準則，以便在轉換新資料時重複使用。

一般而言，篩選是根據波形分析的原理。設計篩選時，您會尋找隱藏或放大訊號部分的方法、公開基礎趨勢、減少雜訊和干擾，或識別可能未察覺的資料值。

各種技術會套用至分解個別趨勢或產生實際資料值的電壓元件。您可以使用三角函數來識別和隔離個別的電壓，來分析一系列的值。 (這確實是非對稱數列或音訊訊號的複合頻率。) 篩選器接著可以套用至這些電壓，以消除雜訊、放大某些波或移除目標群組件。

在篩選含有雜訊的數列以隔離不同的分量時，您可以指定要處理的頻帶，以指定要移除或強化的頻率。

機器學習 Studio (傳統) 支援下列類型的篩選：

根據變形分解的篩選。範例包括有限脈衝回應 (FIR) 和無限脈衝回應 (IIR) 篩選準則。這些篩選器的運作方式是從整體數列移除特定元件。然後，您可以檢視並調查簡化的電壓。
根據移動平均值或中間值的濾波器。這些濾波器可平均分配時間窗口，以減低資料數列中的變異。窗口可以固定或滑動，且可以有不同的形狀。例如，三角形窗口以目前的資料點為最高峰 (加重目前值的權數)，在此資料點的前後逐漸下降 (減少前後值的權數)。
使用者定義或自訂的濾波器。如果您已經知道應該套用至資料數列的轉換，您可以建立使用者定義的篩選。您可以提供套用以轉換資料數列的數值係數。自訂篩選可以模擬 FIR 或 IIR 篩選準則。不過，使用自訂篩選，您可以更充分掌控數列中每個點所要套用的值。

下列清單包含篩選參數和屬性中使用的詞彙簡單定義：

Passband：可在不衰減或降低的情況下通過篩選的頻率範圍。
Stopband：指定限制之間的頻率範圍，不會通過訊號。您可以設定截止頻率來定義阻帶。
高傳遞：只允許高頻率通過。
低傳遞：只接受低於指定截斷值的頻率。
角落：定義停止帶和通帶頻率之間的界限。通常，您可以決定頻帶是否包含或排除轉角。第一個順序篩選準則會導致逐漸衰減，直到角落頻率為止。之後，篩選準則會造成指數衰減。較高順序的篩選 (，例如，在角落頻率之後，) 的 Chebyshev 篩選) 有較斜率。高階篩選準則會更快速且完整地衰減停止帶中的值。
Bandstop 篩選 (也稱為 頻外拒絕 篩選準則或 ) ：只有一個停駐點。您可以藉由指定兩個頻率來定義停止帶：高截斷頻率和低截止頻率。 bandpass篩選通常有兩個停止帶：一個位於所需元件的任一端。
波紋：定期發生的小型垃圾變化。在機器學習中，您可以在 IIR 篩選設計中指定要容忍的參數數量。

提示

需要更多資訊嗎？如果您不熟悉數位訊號處理，請參閱數位訊號處理簡介。網站提供定義和實用的視覺輔助工具，說明基本術語和概念。

下列模組包含在 資料轉換 - 篩選 類別中：