Anwenden der Transformation

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

• Siehe Migrieren zu Azure Machine Learning
• Weitere Informationen zu Azure Machine Learning.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Wendet eine wohldefinierte Datentransformation auf ein Dataset an.

Kategorie: Machine Learning/Bewertung

Hinweis

Gilt nur für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das Modul Apply Transformation (Transformation anwenden) in Machine Learning Studio (klassisch) verwenden, um ein Eingabedataset basierend auf einer zuvor berechneten Transformation zu ändern.

Wenn Sie beispielsweise Z-Ergebnisse zum Normalisieren Ihrer Trainingsdaten mit dem Modul Normalize Data (Normalisieren Sie Daten) verwendet haben, möchten Sie auch den Z-Ergebniswert verwenden, der für das Training während der Bewertungsphase berechnet wurde. In Machine Learning Studio (klassisch) können Sie dies ganz einfach tun, indem Sie die Normalisierungsmethode als Transformation speichern und dann die Transformation anwenden verwenden, um die Z-Bewertung vor der Bewertung auf die Eingabedaten anzuwenden.

Machine Learning Studio (klassisch) bietet Unterstützung für das Erstellen und anschließende Anwenden vieler verschiedener Arten von benutzerdefinierten Transformationen. Beispielsweise können Sie Transformationen speichern und dann wiederverwenden, die folgende Schritte ausführen:

• Entfernen oder Ersetzen fehlender Werte mit Clean Missing Data (Bereinigen fehlender Daten)

• Gruppieren, Skalieren und Normalisieren von Daten mithilfe von Normalisieren von Daten oder Gruppieren von Daten in Containern

• Erstellen Sie einen Satz kompakter Features, indem Sie die gemeinsame Wahrscheinlichkeitsverteilung für ein Dataset berechnen, indem Sie die Learning mit Counts-Modulen verwenden.

Verwenden des Moduls „Apply Transformation“

1. Fügen Sie das Modul Apply Transformation (Transformation anwenden) Ihrem Experiment hinzu. Sie finden das Modul "the" unter Machine Learning in der Kategorie "Score".

2. Suchen Sie eine vorhandene Transformation, die als Eingabe verwendet werden soll.

   Wenn die Transformation zuvor im Experiment erstellt wurde (z. B. im Rahmen eines Bereinigungs- oder Datenskalierungsvorgangs), ist in der Regel das ITransform-Schnittstellenobjekt in der rechten Ausgabe des Moduls verfügbar. Verbinden diese Ausgabe an die linke Eingabe der Transformation anwenden.

   Zuvor gespeicherte Transformationen finden Sie im linken Navigationsbereich in der Gruppe Transforms.

   Tipp

   Wenn Sie eine Transformation für ein Experiment entwerfen, aber nicht explizit speichern, ist die Transformation im Arbeitsbereich verfügbar, solange Ihre Sitzung geöffnet ist. Wenn Sie die Sitzung schließen, aber die Transformation nicht speichern, können Sie das Experiment erneut ausführen, um das ITransform-Schnittstellenobjekt zu generieren.

3. Stellen Sie eine Verbindung mit dem Dataset her, das Sie transformieren möchten. Der Datensatz muss genau das gleiche Schema (Anzahl der Spalten, Spaltennamen, Datentypen) wie der Datensatz haben, für den die Transformation zuvor vorgesehen war.

4. Keine anderen Parameter müssen festgelegt werden. Alle Anpassungen erfolgen bei der Definition der Transformation.

5. Um eine Transformation auf das neue Dataset anzuwenden, führen Sie das Experiment durch.

Beispiele

Informationen zur Verwendung dieses Moduls beim maschinellen Lernen finden Sie im Azure KI-Katalog:

• Online fraud detection (Online-Betrugserkennung): In diesem Beispiel wird veranschaulicht, wie Sie Apply Transformation with Clean Missing Data (Transformation anwenden mit fehlenden Daten bereinigen) verwenden, um sicherzustellen, dass fehlende Werte in allen Datasets gleich behandelt werden.

• Predictive Maintenance: Veranschaulicht die Verwendung von Apply Transformation with Normalize Data( Transformation anwenden mit Normalisieren von Daten).

• Learning mit Anzahl: Verwendet Apply Transformation, um eine Zähltabelle wiederzuverwenden.

Technische Hinweise

Das Modul Apply Transformation kann als Eingabe die Ausgabe jedes Moduls annehmen, das eine ITransform-Schnittstelle erstellt. Hierzu gehören die folgenden Module:

• Bereinigen fehlender Daten

• Normalisieren von Daten

• Gruppieren von Daten in Containern

• Lernen mit Zählungen

Tipp

Sie können auch Filter speichern und wiederverwenden, die für die digitale Signalverarbeitung entwickelt wurden. Filter verwenden jedoch die Schnittstelle IFilter anstelle der ITransform-Schnittstelle.

Erwartete Eingaben

Name	Type	Beschreibung
Transformation	ITransform-Schnittstelle	Eine unäre Datentransformation
Dataset	Datentabelle	Das zu transformierende Dataset

Ausgaben

Name	Type	Beschreibung
Transformiertes Dataset	Datentabelle	Transformiertes Dataset

Ausnahmen

Ausnahme	Beschreibung
Fehler 0003	Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist.

Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.

Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.

Siehe auch

Filter
Anwenden der SQL-Transformation
Bereinigen fehlender Daten
Normalisieren von Daten
Modulliste von A bis Z
Gruppieren von Daten in Containern