Compartir a través de

Machine Learning: Inicializar modelo

  • Artículo

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

En este artículo se describen los módulos de Machine Learning Studio (clásico) que puede usar para definir un modelo de aprendizaje automático y establecer sus parámetros.

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Puede pensar en el modelo sin entrenar como una especificación que se puede aplicar a distintos conjuntos de datos de entrada. Puede aplicar la misma especificación de modelo a datos diferentes y obtener resultados diferentes. O bien, puede usar la especificación para volver a entrenar un modelo. A continuación, puede agregar nuevos datos.

En este artículo también se describe el proceso general de creación, entrenamiento, evaluación y puntuación de un modelo en Machine Learning Studio (clásico).

Creación y uso de modelos de aprendizaje automático en Machine Learning Studio (clásico)

El flujo de trabajo típico para el aprendizaje automático incluye estas fases:

  • Elija un algoritmo adecuado y establezca las opciones iniciales.
  • Entrena el modelo mediante datos compatibles.
  • Cree predicciones mediante nuevos datos basados en los patrones del modelo.
  • Evalúe el modelo para determinar si las predicciones son precisas, la cantidad de error y si se produce un sobreajuste.

Machine Learning Studio (clásico) admite un marco flexible y personalizable para el aprendizaje automático. Cada tarea de este proceso se realiza mediante un tipo específico de módulo. Los módulos se pueden modificar, agregar o quitar sin dividir el resto del experimento.

Use los módulos de esta categoría para seleccionar un algoritmo inicial. A continuación, configure parámetros detallados en función del tipo de modelo específico. A continuación, puede aplicar esta especificación de modelo a un conjunto de datos.

Acerca de la creación de modelos

Machine Learning proporciona muchos algoritmos de aprendizaje automático de última generación para ayudarle a crear modelos analíticos. Cada algoritmo se empaqueta en su propio módulo. Para crear un modelo personalizado:

  1. Elija un modelo por categoría.

    Los algoritmos se agrupan por tipos específicos de tareas predictivas. Algunos ejemplos son la regresión, la clasificación y el reconocimiento de imágenes. La primera tarea consiste en identificar la categoría general de la tarea de aprendizaje automático que se va a realizar y, a continuación, seleccionar un algoritmo.

  2. Configure los parámetros del algoritmo.

    Use el panel Propiedades de cada módulo para establecer parámetros. Los parámetros controlan cómo aprende el modelo a partir de los datos.

  3. Entrenar el modelo en datos.

    Después de configurar el modelo, conecte un conjunto de datos. A continuación, use uno de los módulos de entrenamiento para ejecutar datos a través de los algoritmos que desea usar.

    Puede usar Optimizar hiperparámetros del modelo para recorrer en iteración todos los parámetros posibles y determinar la configuración óptima para la tarea y los datos.

  4. Predecir, puntuar o evaluar.

    Después de compilar y entrenar un modelo, normalmente el siguiente paso es usar uno de los módulos de puntuación para generar predicciones basadas en el modelo.

    Puede usar los módulos para la evaluación de modelos para medir la precisión del modelo en función de las puntuaciones que genere.

Lista de módulos

Los módulos de esta categoría se organizan por el tipo de algoritmo de aprendizaje automático que encapsulan los módulos. Cada tipo de algoritmo normalmente requiere un tipo de datos diferente.

Además de las categorías de algoritmos de aprendizaje automático tradicionales que se describen aquí, los módulos siguientes proporcionan tipos especializados de aprendizaje a partir de datos o preprocesamiento:

Consulte también