Použití transformace

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

• přečtěte si informace o přesunu projektů strojového učení z ML Studio (classic) do Azure Machine Learning.
• přečtěte si další informace o Azure Machine Learning.

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Aplikuje dobře specifikovanou transformaci dat na datovou sadu.

kategorie: Machine Learning/skóre

Poznámka

platí pro: jenom Machine Learning Studio (classic)

podobné moduly přetažení jsou k dispozici v návrháři Azure Machine Learning.

Přehled modulu

tento článek popisuje, jak pomocí modulu použít transformovat v Machine Learning studiu (classic) upravit vstupní datovou sadu založenou na dříve vypočítané transformaci.

Pokud jste například použili z skóre k normalizování školicích dat pomocí modulu normalizing data Module, měli byste použít hodnotu z-skóre, která byla vypočítána pro školení v rámci fáze bodování. v Machine Learning studiu (classic), můžete to provést snadno tím, že uložíte metodu normalizace jako transformaci a potom pomocí použít transformaci aplikujete skóre z na vstupní data před vyhodnocením.

Machine Learning Studio (classic) poskytuje podporu pro vytváření a následné použití mnoha různých druhů vlastních transformací. Například můžete chtít uložit a znovu použít transformace, které mají následující:

• Odebrání nebo nahrazení chybějících hodnot pomocí Vyčištění chybějících dat

• Data přihrádek, škálování a normalizace, pomocí normalizovat data nebo Seskupovat data do přihrádek

• vytvoření sady kompaktních funkcí výpočtem společné distribuce pravděpodobnosti pro datovou sadu pomocí modulu Učení s počty .

Použití funkce použít transformaci

1. Přidejte do experimentu modul použít transformaci . v kategorii skóre můžete v části Machine Learningnajít převedený modul.

2. Vyhledejte existující transformaci, která se použije jako vstup.

   Pokud byla transformace vytvořena dříve v experimentu (například jako součást operace vyčištění nebo škálování dat), obvykle je objekt rozhraní ITransform k dispozici v modulu pro výstup na pravé straně modulu. Připojení výstup použít transformacina levou stranu vstupu.

   Dříve uložené transformace lze nalézt ve skupině transformes v levém navigačním podokně.

   Tip

   Pokud navrhujete transformaci pro experiment, ale neuložíte ji explicitně, je transformace v pracovním prostoru k dispozici, pokud je vaše relace otevřená. Pokud zavřete relaci, ale neuložíte transformaci, můžete znovu spustit experiment pro vygenerování objektu rozhraní ITransform .

3. Připojení datovou sadu, kterou chcete transformovat. Datová sada musí mít přesně stejné schéma (počet sloupců, názvy sloupců, datové typy) jako datovou sadu, pro kterou byla transformace poprvé navržena.

4. Není nutné nastavit žádné další parametry. všechna přizpůsobení se provádí při definování transformace.

5. Chcete-li použít transformaci na novou datovou sadu, spusťte experiment.

Příklady

Pokud chcete zjistit, jak se tento modul používá ve službě Machine Learning, přečtěte si Azure AI Gallery:

• Zjišťování podvodů online: v této ukázce se dozvíte, jak použít transformaci s čistým chybějícími daty, abyste zajistili, že chybějící hodnoty jsou zpracovávány stejně ve všech datových sadách.

• Prediktivní údržba: demonstruje použití funkce použít transformaci s normalizací dat.

• Učení s počty: používá transformaci použít transformaci k opakovanému použití tabulky count.

Technické poznámky

Modul použít transformaci může přijmout jako vstup výstup jakéhokoli modulu, který vytvoří rozhraní ITransform. Tyto moduly zahrnují:

• Vyčištění chybějících dat

• Normalizace dat

• Seskupení dat do přihrádek

• Učení s počty

Tip

Můžete také uložit a znovu použít filtry navržené pro digitální zpracování signálu. Filtry však používají rozhraní IFilter rozhraní, nikoli rozhraní ITransform.

Očekávané vstupy

Název	Typ	Description
Transformace	Rozhraní ITransform	Unární transformace dat
Datová sada	Tabulka dat	Datová sada, která se má transformovat

Výstupy

Název	Typ	Description
Transformovaná datová sada	Tabulka dat	Transformovaná datová sada

Výjimky

Výjimka	Description
Chyba 0003	K výjimce dojde v případě, že jeden nebo více vstupů má hodnotu null nebo je prázdné.

seznam chyb, které jsou specifické pro moduly studia (classic), najdete v článku kódy chyb Machine Learning.

seznam výjimek rozhraní API najdete v tématu Machine Learning REST API chybové kódy.

Viz také

Filtr
Použití transformace SQL
Vyčištění chybějících dat
Normalizace dat
Seznam modulů a-Z
Seskupení dat do přihrádek