Partager via

Machine Learning-initialiser le modèle

  • Article

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.

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

cet article décrit les modules de Machine Learning Studio (classic) que vous pouvez utiliser pour définir un modèle d’Machine Learning et définir ses paramètres.

Notes

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

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

Vous pouvez considérer le modèle non formé comme une spécification que vous pouvez appliquer à différents jeux de données d’entrée. Vous pouvez appliquer la même spécification de modèle à différentes données et obtenir des résultats différents. Vous pouvez utiliser la spécification pour reformer un modèle. Vous pouvez ensuite ajouter de nouvelles données.

cet article décrit également le processus global de création, d’apprentissage, d’évaluation et de notation d’un modèle dans Machine Learning Studio (classic).

créer et utiliser des modèles de Machine Learning dans Machine Learning Studio (classic)

Le flux de travail classique pour Machine Learning comprend les phases suivantes :

  • Choisissez un algorithme approprié et définissez les options initiales.
  • Effectuer l’apprentissage du modèle à l’aide de données compatibles.
  • Créez des prédictions à l’aide de nouvelles données basées sur les modèles dans le modèle.
  • Évaluez le modèle pour déterminer si les prédictions sont exactes, le nombre d’erreurs et si le surajustement se produit.

Machine Learning Studio (classic) prend en charge un framework flexible et personnalisable pour les Machine Learning. Chaque tâche de ce processus est effectuée par un type spécifique de module. Les modules peuvent être modifiés, ajoutés ou supprimés sans interrompre le reste de l’expérience.

Utilisez les modules de cette catégorie pour sélectionner un algorithme initial. Ensuite, configurez des paramètres détaillés en fonction du type de modèle spécifique. Vous pouvez ensuite appliquer cette spécification de modèle à un jeu de données.

À propos de la création de modèles

Machine Learning fournit de nombreux algorithmes de Machine Learning de pointe pour vous aider à créer des modèles analytiques. Chaque algorithme est empaqueté dans son propre module. Pour créer un modèle personnalisé :

  1. Choisissez un modèle par catégorie.

    Les algorithmes sont regroupés par types spécifiques de tâches prédictives. Citons notamment la régression, la classification et la reconnaissance d’images. Votre première tâche consiste à identifier la catégorie générale de Machine Learning tâche à effectuer, puis à sélectionner un algorithme.

  2. Configurez les paramètres d’algorithme.

    Utilisez le volet Propriétés de chaque module pour définir des paramètres. Les paramètres contrôlent la façon dont le modèle apprend à partir des données.

  3. Effectuer l’apprentissage du modèle sur les données.

    Après avoir configuré le modèle, connectez un jeu de données. Ensuite, utilisez l’un des modules de formation pour exécuter des données par le biais des algorithmes que vous souhaitez utiliser.

    Vous pouvez utiliser les hyperparamètres de réglage du modèle pour itérer sur tous les paramètres possibles et déterminer la configuration optimale pour votre tâche et vos données.

  4. Predict, score ou évaluation.

    Une fois que vous avez généré et formé un modèle, l’étape suivante consiste généralement à utiliser l’un des modules de score pour générer des prédictions basées sur le modèle.

    Vous pouvez utiliser les modules pour l' évaluation du modèle pour mesurer la précision du modèle en fonction des scores que vous générez.

Liste des modules

Les modules de cette catégorie sont organisés selon le type d’algorithme Machine Learning encapsulé par les modules. Chaque type d’algorithme requiert généralement un type de données différent.

Outre les catégories d’algorithmes de Machine Learning traditionnelles décrites ici, les modules suivants fournissent des types d’apprentissage spécifiques à partir de données ou du prétraitement :

Voir aussi