Bayesian Linear Regression
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.
Crée un modèle de régression linéaire bayésienne.
catégorie : Machine Learning/initialiser le modèle/la régression
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 de régression linéaire bayésien dans Machine Learning Studio (classic) pour définir un modèle de régression basé sur des statistiques bayésiens.
Une fois que vous avez défini les paramètres du modèle, vous devez effectuer l’apprentissage du modèle à l’aide d’un jeu de données avec balises et du module former le modèle . Le modèle ainsi formé permet ensuite d’effectuer des prédictions. Le modèle non formé peut également être passé au modèle de validation croisée pour la validation croisée par rapport à un jeu de données étiqueté.
En savoir plus sur la régression bayésienne
En matière de statistiques, l'approche bayésienne de la régression s'oppose souvent à l'approche fréquentiste.
L'approche bayésienne utilise la régression linéaire complétée par des informations supplémentaires sous la forme d'une distribution de probabilité antérieure. Les informations antérieures sur les paramètres sont combinées avec une fonction de probabilité pour générer des estimations pour les paramètres.
En revanche, l'approche fréquentiste, représentée par la régression linéaire des moindres carrés standard, suppose que les données contiennent suffisamment de mesures pour créer un modèle explicite.
Pour plus d’informations sur les recherches sous-jacentes à cet algorithme, consultez les liens dans la section Notes techniques .
Comment configurer la régression bayésienne
Ajoutez le module de régression linéaire bayésien à votre expérience. vous pouvez trouver ce module sous Machine Learning, initialiser, dans la catégorie régression .
Régularisation Weight: tapez une valeur à utiliser pour régularisation. Une régularisation est utilisée pour empêcher un surajustement. Ce poids correspond à L2. Pour plus d’informations, consultez la section Notes techniques .
Autoriser les niveaux de catégorie inconnus: sélectionnez cette option pour créer un regroupement pour les valeurs inconnues. Le modèle peut accepter uniquement les valeurs contenues dans les données d’apprentissage. Le modèle peut être moins précis sur les valeurs connues, mais fournir de meilleures prédictions pour les nouvelles valeurs (inconnues).
Connecter un jeu de données d’apprentissage et l’un des modules de formation. Ce type de modèle n’a pas de paramètres qui peuvent être modifiés dans un balayage de paramètre. par conséquent, même si vous pouvez former le modèle à l’aide des hyperparamètres de réglage du modèle, il ne peut pas optimiser automatiquement le modèle.
Sélectionnez la colonne numérique unique que vous souhaitez modéliser ou prédire.
Exécutez l’expérience.
Résultats
Une fois l’apprentissage terminé :
- Pour afficher un résumé des paramètres du modèle, cliquez avec le bouton droit sur la sortie du module former le modèle et sélectionnez visualiser.
- Pour créer des prédictions, utilisez le modèle formé comme entrée pour noter le modèle.
Exemples
Pour obtenir des exemples de modèles de régression, consultez l' Azure ai Gallery.
- Exemple de comparaison de modèles de régression: compare plusieurs types différents de modèles de régression.
Notes techniques
l’utilisation du coefficient de lambda est décrite en détail dans ce manuel sur Machine Learning : reconnaissance de modèles et Machine Learning, Christopher Bishop, springer link-Verlag, 2007.
Cet article est disponible sous forme de téléchargement PDF sur le site Microsoft Research: régression bayésienne et classification
Paramètres du module
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Pondération de régularisation | >=double.Epsilon | Float | 1.0 | Tapez une constante à utiliser dans la régularisation. La constante représente le rapport entre la précision de la pondération et la précision du bruit. |
| Autoriser les niveaux catégoriels inconnus | Quelconque | Boolean | true | Si la valeur true crée un niveau supplémentaire pour chaque colonne catégorielle. Tous les niveaux du jeu de données de test qui ne sont pas disponibles dans le jeu de données d'apprentissage sont mappés à ce niveau supplémentaire. |
Sorties
| Nom | Type | Description |
|---|---|---|
| Untrained model (Modèle non entraîné) | Interface ILearner | Un modèle de régression linéaire bayésienne non formé |