Appliquer une transformation

Important

Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.

À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.

• Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
• En savoir plus sur Azure Machine Learning.

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Applique une transformation de données spécifique à un jeu de données

catégorie : Machine Learning/Score

Notes

s’applique à: Machine Learning Studio (classic) uniquement

Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.

Vue d’ensemble du module

cet article explique comment utiliser le module appliquer la transformation dans Machine Learning Studio (classic) pour modifier un jeu de données d’entrée en fonction d’une Transformation précédemment calculée.

Par exemple, si vous avez utilisé des scores z pour normaliser vos données de formation à l’aide du module Normaliser les données, vous pouvez utiliser la valeur de score z qui a été calculée pour la formation pendant la phase de calcul de score également. dans Machine Learning Studio (classic), vous pouvez facilement effectuer cette opération en enregistrant la méthode de normalisation en tant que transformation, puis en utilisant apply Transformation pour appliquer le score z aux données d’entrée avant la notation.

Machine Learning Studio (classic) assure la prise en charge de la création et de l’application de nombreux types de transformations personnalisées. Par exemple, vous souhaiterez peut-être enregistrer et réutiliser les transformations qui effectuent les opérations suivantes :

• Supprimer ou remplacer des valeurs manquantes, à l’aide du module Nettoyage des données manquantes

• Emplacement, mise à l’échelle et normalisation des données, à l’aide de la normalisation des données ou du groupe de données dans des emplacements

• créer un ensemble de fonctionnalités compactes en calculant la répartition de la probabilité conjointe pour un jeu de données, à l’aide de la Learning avec les modules counts .

Comment utiliser le module Appliquer une transformation

1. Ajoutez le module Appliquer une transformation à votre expérience. vous pouvez trouver le module thi sous Machine Learning, dans la catégorie Score .

2. Recherchez une transformation existante à utiliser en tant qu’entrée.

   Si la transformation a été créée précédemment dans l’expérience (par exemple, dans le cadre d’une opération de nettoyage ou de mise à l’échelle des données), l’objet d' interface ITransform est généralement disponible dans la sortie de droite du module. Connecter cette sortie vers l’entrée de gauche de la Transformation Apply.

   Les transformations précédemment enregistrées se trouvent dans le groupe Transformation du volet de navigation gauche.

   Conseil

   Si vous concevez une transformation pour une expérience, mais que vous ne l’enregistrez pas explicitement, la transformation est disponible dans l’espace de travail tant que votre session est ouverte. Si vous fermez la session, mais que vous n’enregistrez pas la transformation, vous pouvez réexécuter l’expérience pour générer l’objet d' interface ITransform .

3. Connectez le jeu de données que vous souhaitez transformer. Le jeu de données doit avoir exactement le même schéma (nombre de colonnes, noms de colonnes, types de données) que le jeu de données pour lequel la transformation a initialement été conçue.

4. Il est inutile de définir d'autres paramètres ; toutes les personnalisations sont effectuées au moment de la définition de la transformation.

5. Pour appliquer une transformation au nouveau jeu de données, exécutez l’expérience.

Exemples

Pour voir comment ce module est utilisé dans Machine Learning, consultez la Azure ai Gallery:

• Détection des fraudes en ligne: cet exemple montre comment utiliser l' application de transformation avec nettoyer les données manquantes, afin de s’assurer que les valeurs manquantes sont traitées de la même manière dans tous les jeux de données.

• Maintenance prédictive: montre comment utiliser appliquer la transformation avec normaliser les données.

• Learning avec des nombres: utilise la Transformation Apply pour réutiliser une table de nombres.

Notes techniques

Le module apply transformation peut prendre comme entrée la sortie de tout module qui crée une interface ITransform. Ces modules incluent :

• Nettoyer les données manquantes

• Normaliser les données

• Grouper des données dans des compartiments

• Learning with Counts

Conseil

Vous pouvez également enregistrer et réutiliser les filtres conçus pour le traitement des signaux numériques. Toutefois, les filtres utilisent l’interface d' interface IFilter , plutôt que l’interface ITransform.

Entrées attendues

Nom	Type	Description
Transformation	Interface ITransform	Transformation de données unaire
Dataset	Table de données	Jeu de données à transformer

Sorties

Nom	Type	Description
Jeu de données transformé	Table de données	Jeu de données transformé

Exceptions

Exception	Description
Erreur 0003	Cette exception se produit si une ou plusieurs entrées sont null ou vide.

pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.

pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.

Voir aussi

Filter
Appliquer une transformation SQL
Nettoyer les données manquantes
Normaliser les données
Liste alphabétique des modules
Grouper des données dans des compartiments