Bayesovská lineární regrese
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).
- Podívejte se na informace o přesunu projektů strojového učení z ML Studia (klasického) do Azure Machine Learning.
- Další informace o Azure Machine Learning.
Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.
Vytvoří bayesovské lineární regresní model.
Kategorie: Machine Learning / Inicializace modelu / regrese
Poznámka
Platí pro: Machine Learning Studio (classic)
Podobné moduly s přetahováním jsou k dispozici v Azure Machine Learning návrháři.
Přehled modulu
Tento článek popisuje, jak pomocí modulu Bayesian Linear Regression v Machine Learning Studiu (klasickém) definovat regresní model založený na Bayesovské statistice.
Po definování parametrů modelu musíte model vytrénovat pomocí označené datové sady a modulu Trénování modelu. Vytrénovaný model pak můžete použít k předpovědí. Případně je možné model bez trénování předat modelu křížového ověření pro křížové ověření u označené datové sady.
Další informace o Bayesovské regresi
Ve statistikách je Bayesovské přístup k regresi často v kontrastu s častým přístupem.
Bayesovské přístup používá lineární regresi doplněnou o další informace ve formě předchozího rozdělení pravděpodobnosti. Předchozí informace o parametrech se zkombinují s funkcí pravděpodobnosti, která generuje odhady parametrů.
Naproti tomu přístup frequentist, reprezentovaný standardní lineární regresí nejmenších čtverců, předpokládá, že data obsahují dostatek měření pro vytvoření smysluplného modelu.
Další informace o výzkumu tohoto algoritmu najdete na odkazech v části Technické poznámky.
Konfigurace Bayesovské regrese
Přidejte do experimentu modul Bayesian Linear Regression (Bayesovské lineární regrese). Tento modul najdete v části Machine LearningInicializace vkategorii Regrese.
Váha regularizace: Zadejte hodnotu, která se má použít k regularizaci. Regularizace se používá k zabránění přeučení. Tato váha odpovídá L2. Další informace najdete v části Technické poznámky.
Povolit neznámé úrovně kategorií: Tuto možnost vyberte, pokud chcete vytvořit seskupení pro neznámé hodnoty. Model může přijímat pouze hodnoty obsažené v trénovací data. Model může být u známých hodnot méně přesný, ale poskytuje lepší předpovědi pro nové (neznámé) hodnoty.
Připojení trénovací datovou sadu a jeden z školicích modulů. Tento typ modelu nemá žádné parametry, které je možné změnit v úklidu parametrů, takže i když model můžete trénovat pomocí ladění hyperparametrů modelu, nemůže automaticky optimalizovat model.
Vyberte jeden číselný sloupec, který chcete modelovat nebo predikovat.
Spusťte experiment.
Výsledky
Po dokončení trénování:
- Pokud chcete zobrazit souhrn parametrů modelu, klikněte pravým tlačítkem na výstup modulu Trénování modelu a vyberte Vizualizovat.
- K vytvoření předpovědí použijte natrénovaný model jako vstup pro bodový model.
Příklady
Příklady regresních modelů najdete v Azure AI Gallery.
- Porovnání ukázky regresních modelů: Porovná několik různých druhů regresních modelů.
Technické poznámky
Použití koeficientu lambda je podrobně popsáno v této učebnici o strojové učení: Rozpoznávání vzorů a Machine Learning, Christopher, Springer-Verlag, 2007.
Tento článek je k dispozici ve formátu PDF ke stažení z webu Microsoft Research: Bayesian Regression and Classification
Parametry modulu
| Name | Rozsah | Typ | Výchozí | Description |
|---|---|---|---|---|
| Váha regularizace | >=double. Epsilon | Float | 1.0 | Zadejte konstantu, která se má použít při regularizaci. Konstanta představuje poměr přesnosti hmotnosti před přesností šumu. |
| Povolit neznámé úrovně kategorií | Všechny | Logická hodnota | true | Pokud má hodnotu true, vytvoří se pro každý sloupec kategorií další úroveň. Všechny úrovně v testovací datové sadě, které nejsou k dispozici v trénovací datové sadě, se mapují na tuto další úroveň. |
Výstupy
| Název | Typ | Description |
|---|---|---|
| Model bez trénování | ILearner – rozhraní | Model netrénované Bayesovské lineární regrese |