Bayesian Linear Regression
Importante
Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.
A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).
- Vedere leinformazioni sullo spostamento di progetti di Machine Learning da ML Studio (versione classica) ad Azure Machine Learning.
- Altre informazioni sulle Azure Machine Learning.
La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.
Crea un modello di regressione lineare bayesiana
Categoria: Machine Learning/Inizializza modello/regressione
Nota
Si applica a: Machine Learning Studio (versione classica)
Moduli di trascinamento della selezione simili sono disponibili nella finestra Azure Machine Learning progettazione.
Panoramica del modulo
Questo articolo descrive come usare il modulo Bayesian Linear Regression in Machine Learning Studio (versione classica) per definire un modello di regressione basato sulle statistiche bayesiane.
Dopo aver definito i parametri del modello, è necessario eseguire il training del modello usando un set di dati con tag e il modulo Train Model (Train Model ). Sarà quindi possibile usare il modello con training per ottenere stime. In alternativa, il modello senza training può essere passato al modello di convalida incrociata per la convalida incrociata rispetto a un set di dati con etichetta.
Altre informazioni sulla regressione bayesiana
In statistica, l'approccio bayesiano alla regressione è spesso in contrasto con l'approccio frequentista.
L'approccio bayesiano usa una regressione lineare completata da informazioni aggiuntive sotto forma di una distribuzione di probabilità precedente. Per generare stime relative ai parametri, vengono combinate informazioni preliminari sui parametri con una funzione di probabilità.
Al contrario, l'approccio frequentista, rappresentato dalla regressione lineare dei minimi quadrati standard, presuppone che i dati contengono misure sufficienti per creare un modello significativo.
Per altre informazioni sulla ricerca alla base di questo algoritmo, vedere i collegamenti nella sezione Note tecniche.
Come configurare la regressione bayesiana
Aggiungere il modulo Bayesian Linear Regression all'esperimento. È possibile trovare il modulo this in Machine Learning, Inizializza, nella categoria Regressione.
Peso di regolarizzazione: digitare un valore da usare per la regolarizzazione. La regolarizzazione viene usate per impedire l'overfitting. Questo peso corrisponde a L2. Per altre informazioni, vedere la sezione Note tecniche.
Consenti livelli di categoria sconosciuti: selezionare questa opzione per creare un raggruppamento per valori sconosciuti. Il modello può accettare solo i valori contenuti nei dati di training. Il modello potrebbe essere meno preciso sui valori noti, ma fornire stime migliori per i nuovi valori (sconosciuti).
Connessione set di dati di training e uno dei moduli di training. Questo tipo di modello non ha parametri che possono essere modificati in uno sweep di parametri, pertanto, anche se è possibile eseguire il training del modello usando ottimizzare gli iperparamezzi del modello, non può ottimizzare automaticamente il modello.
Selezionare la singola colonna numerica da modellare o stimare.
Eseguire l'esperimento.
Risultati
Al termine del training:
- Per visualizzare un riepilogo dei parametri del modello, fare clic con il pulsante destro del mouse sull'output del modulo Train Model (Train Model) e scegliere Visualize (Visualizza).
- Per creare stime, usare il modello con training come input per il punteggio del modello.
Esempio
Per esempi di modelli di regressione, vedere il Azure AI Gallery.
- Esempio di confronto di modelli di regressione: mette a confronto diversi tipi di modelli di regressione.
Note tecniche
L'uso del coefficiente lambda è descritto in dettaglio in questo manuale sull'apprendimento automatico: Riconoscimento dei modelli e Machine Learning, Christopher Bishop, Springer-Verlag, 2007.
Questo articolo è disponibile come download PDF dal sito Microsoft Research: Regressione bayesiana e classificazione
Parametri del modulo
| Nome | Intervallo | Type | Predefinito | Descrizione |
|---|---|---|---|---|
| Regularization weight | >=double.Epsilon | Float | 1.0 | Digitare una costante da usare nella regolarizzazione. La costante rappresenta il rapporto della precisione del peso prima della precisione del rumore. |
| Allow unknown categorical levels | Qualsiasi | Boolean | true | Se true, crea un livello aggiuntivo per ogni colonna categorica. Tutti i livelli del set di dati di test non disponibili nel set di dati di training verranno mappati a questo livello aggiuntivo. |
Output
| Nome | Tipo | Descrizione |
|---|---|---|
| Untrained model | ILearner interface | Modello di regressione lineare bayesiana senza training |