Machine Learning Studio(클래식) 모듈의 A-Z 목록
중요
Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.
2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.
- ML Studio(클래식)에서 Azure Machine Learning으로 기계 학습 프로젝트 이동에 대한 정보를 참조하세요.
- Azure Machine Learning에 대한 자세한 정보.
ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.
팁
현재 Machine Learning Studio(클래식)를 사용하거나 평가하는 고객은 ML 모듈 끌어서 놓기 기능과 더불어 확장성, 버전 제어 및 엔터프라이즈 보안을 제공하는 Azure Machine Learning 디자이너를 사용하는 것이 좋습니다.
이 모듈은 기계 학습 작업에 필요한 다양한 기능과 기능을 다룹니다.
- 데이터 변환 함수
- 데이터 변환 함수
- R 또는 Python 스크립트를 실행하기 위한 모듈
- 다음을 포함한 알고리즘:
- 의사 결정 트리
- 의사 결정 포리스트
- Clustering
- 시계열
- 권장 사항 모델
- 이상 감지
모듈을 찾으려면 다음을 수행합니다.
- 모듈의 이름을 알고 있는 경우 사전순 테이블을 인덱스로 사용하여 특정 모듈 또는 알고리즘을 빠르게 찾습니다.
- 기능 범주별 모듈 목록은 모듈 범주 및 설명을 참조하세요.
모듈의 사전순 테이블
모듈 이름 | 설명 |
---|---|
열 추가 | 한 데이터 세트의 열 집합을 다른 데이터 세트에 추가합니다. |
행 추가 | 입력 데이터 세트의 행 집합을 다른 데이터 세트의 끝에 추가합니다. |
필터 적용 | 데이터 세트의 지정된 열에 필터를 적용합니다. |
수학 연산 적용 | 열 값에 수학 연산을 적용합니다. |
SQL 변환 적용 | 입력 데이터 세트에 대해 SQLite 쿼리를 실행하여 데이터를 변환합니다. |
변환 적용 | 데이터 세트에 잘 지정된 데이터 변환을 적용합니다. |
클러스터에 데이터 할당 | 기존 학습된 클러스터링 모델을 사용하여 클러스터에 데이터를 할당합니다. |
Bayes 선형 회귀 | Bayesian 선형 회귀 모델을 만듭니다. |
향상된 의사 결정 트리 회귀 | 향상된 의사 결정 트리 알고리즘을 사용하여 회귀 모델을 만듭니다. |
개수 변환 작성 | 기능을 빌드하는 데 사용할 개수를 만듭니다. |
누락 데이터 정리 | 데이터 세트에서 누락된 값을 처리하는 방법을 지정합니다. |
값 잘라내기 | 이상값을 검색한 다음 해당 값을 잘라내거나 대체합니다. |
기본 통계 컴퓨팅 | 선택한 데이터 세트 열에 대해 지정된 요약 통계를 계산합니다. |
언어 감지 | 입력 파일에서 각 줄의 언어를 검색합니다. |
선형 상관 관계 컴퓨팅 | 데이터 세트의 열 값 간의 선형 상관 관계를 계산합니다. |
ARFF로 변환 | 데이터 입력을 Weka 도구 집합에서 사용하는 특성 관계 파일 형식으로 변환합니다. |
CSV로 변환 | 데이터 입력을 쉼표로 구분된 값 형식으로 변환합니다. |
데이터 세트로 변환 | 데이터 입력을 Machine Learning 사용하는 내부 데이터 세트 형식으로 변환합니다. |
표시기 값으로 변환 | 열의 범주 값을 표시기 값으로 변환합니다. |
SVMLight로 변환 | 데이터 입력을 SVMlight 프레임워크에서 사용하는 형식으로 변환합니다. |
TSV로 변환 | 데이터 입력을 탭으로 구분된 형식으로 변환합니다. |
R 모델 만들기 | 사용자 지정 리소스를 사용하여 R 모델을 만듭니다. |
모델 교차 유효성 검사 | 데이터를 분할하여 분류 또는 회귀 모델에 대한 매개 변수 추정치의 교차 유효성을 검사합니다. |
의사 결정 포리스트 회귀 | 의사 결정 포리스트 알고리즘을 사용하여 회귀 모델을 만듭니다. |
언어 감지 | 입력 파일에서 각 줄의 언어를 검색합니다. |
메타데이터 편집 | 데이터 세트의 열과 연결된 메타데이터를 편집합니다. |
수동으로 데이터 입력 | 값을 입력하여 작은 데이터 세트를 입력하고 편집할 수 있습니다. |
모델 평가 | 표준 메트릭을 사용하여 채점된 분류 또는 회귀 모델을 평가합니다. |
확률 함수 평가 | 지정된 확률 분포 함수를 데이터 세트에 맞습니다. |
추천 평가 | 추천 모델 예측의 정확도를 평가합니다. |
Python 스크립트 실행 | Machine Learning 실험에서 Python 스크립트를 실행합니다. |
R 스크립트 실행 | Machine Learning 실험에서 R 스크립트를 실행합니다. |
개수 테이블 내보내기 | 개수 변환에서 개수를 내보냅니다. |
데이터 내보내기 | 데이터 세트를 웹 URL 또는 테이블, Blob 및 Azure SQL 데이터베이스와 같은 Azure의 다양한 형태의 클라우드 기반 스토리지에 씁니다. 이 모듈은 이전에 기록기라고 명명되었습니다. |
텍스트에서 핵심 구 추출 | 텍스트 열에서 키워드와 구를 추출합니다. |
텍스트에서 N-Gram 기능 추출 | N-Gram 사전 기능을 만든 다음, 해당 기능 선택을 수행합니다. |
빠른 포리스트 분위수 회귀 | 분위수 회귀 모델을 만듭니다. |
기능 해싱 | Vowpal Wabbit 라이브러리를 사용하여 텍스트 데이터를 정수로 인코딩된 기능으로 변환합니다. |
필터 기반 기능 선택 | 예측 능력이 가장 큰 데이터 세트의 기능을 식별합니다. |
FIR 필터 | 신호 처리를 위한 유한한 임펄스 응답 필터를 만듭니다. |
피셔 선형 판별 분석 | 데이터를 별도의 클래스로 가장 잘 그룹화할 수 있는 기능 변수의 선형 조합을 식별합니다. |
범주 값 그룹화 | 여러 범주의 데이터를 새 범주로 그룹화합니다. |
Bin으로 데이터 그룹화 | 숫자 데이터를 bin에 넣습니다. |
IIR 필터 | 신호 처리를 위한 무한 임펄스 응답 필터를 만듭니다. |
개수 테이블 가져오기 | 기존 개수 테이블에서 개수를 가져옵니다. |
데이터 가져오기 | 웹의 외부 원본 또는 테이블, Blob, SQL 데이터베이스 및 Azure Cosmos DB와 같은 Azure의 다양한 형태의 클라우드 기반 스토리지에서 데이터를 로드합니다. 게이트웨이가 구성된 경우 온-프레미스 SQL Server 데이터베이스에서 데이터를 로드할 수 있습니다. 이 모듈은 이전에 읽기 권한자라고 명명되었습니다. |
이미지 가져오기 | Azure Blob Storage의 이미지를 데이터 세트로 로드합니다. |
데이터 조인 | 두 데이터 세트를 조인합니다. |
K-Means 클러스터링 | K-평균 클러스터링 모델을 구성하고 초기화합니다. |
잠재적 Dirichlet 할당 | LDA(Latent Dirichlet Allocation)용 Vowpal Wabbit 라이브러리를 사용하여 토픽 모델링을 수행합니다. |
선형 회귀 | 선형 회귀 모델을 만듭니다. |
학습된 모델 로드 | 실험에서 채점하는 데 사용할 수 있는 학습된 모델을 가져옵니다. |
중앙값 필터 | 추세 분석을 위해 데이터를 부드럽게 하는 데 사용되는 중앙값 필터를 만듭니다. |
개수 변환 병합 | 두 개의 개수 테이블 집합을 병합합니다. |
개수 테이블 매개 변수 수정 | count 테이블에서 개수 기반 기능의 압축 집합을 빌드합니다. |
이동 평균 필터 | 추세 분석을 위해 데이터를 부드럽게 하는 이동 평균 필터를 만듭니다. |
다중 클래스 의사 결정 포리스트 | 의사 결정 포리스트 알고리즘을 사용하여 다중 클래스 분류 모델을 만듭니다. |
다중 클래스 의사 결정 정글 | 의사 결정 정글 알고리즘을 사용하여 다중 클래스 분류 모델을 만듭니다. |
다중 클래스 로지스틱 회귀 | 다중 클래스 로지스틱 회귀 분류 모델을 만듭니다. |
다중 클래스 신경망 | 신경망 알고리즘을 사용하여 다중 클래스 분류 모델을 만듭니다. |
명명된 엔터티 인식 | 텍스트 열에서 명명된 엔터티를 인식합니다. |
신경망 회귀 | 신경망 알고리즘을 사용하여 회귀 모델을 만듭니다. |
데이터 정규화 | 데이터 세트 값을 표준 범위로 제한하도록 숫자 데이터의 크기를 조정합니다. |
1클래스 지원 벡터 컴퓨터 | 변칙 검색을 위한 1클래스 지원 벡터 컴퓨터 모델을 만듭니다. |
OVA(One-vs-All) 다중 클래스 | 이진 분류 모델의 앙상블에서 다중 클래스 분류 모델을 만듭니다. |
서수 회귀 | 서수 회귀 모델을 만듭니다. |
파티션 및 샘플 | 샘플링을 기반으로 데이터 세트의 여러 파티션을 만듭니다. |
순열 기능 중요도 | 학습된 모델 및 테스트 데이터 세트에서 기능 변수의 순열 기능 중요도 점수를 계산합니다. |
PCA 기반 변칙 검색 | PCA(보안 주체 구성 요소 분석)를 사용하여 변칙 검색 모델을 만듭니다. |
포아송 회귀 | 데이터에 포아송 분포가 있다고 가정하는 회귀 모델을 만듭니다. |
텍스트 전처리 | 텍스트에 대한 정리 작업을 수행합니다. |
미리 학습된 계단식 이미지 분류 | OpenCV 라이브러리를 사용하여 정면 얼굴에 대해 미리 학습된 이미지 분류 모델을 만듭니다. |
주 구성 요소 분석 | 보다 효율적인 학습을 위해 차원성을 줄인 기능 집합을 계산합니다. |
중복 행 제거 | 데이터 세트에서 중복 행을 제거합니다. |
불연속 값 바꾸기 | 한 열의 불연속 값을 다른 열을 기반으로 하는 숫자 값으로 대체합니다. |
Matchbox 추천 점수 매기기 | Matchbox 추천을 사용하여 데이터 세트에 대한 예측 점수를 매길 수 있습니다. |
모델 채점 | 학습된 분류 또는 회귀 모델에 대한 예측 점수를 지정합니다. |
Vowpal Wabbit 7-4 모델 점수 매기기 | Vowpal Wabbit 기계 학습 시스템을 사용하여 데이터의 점수를 지정합니다. Vowpal Wabbit 버전 7-4 및 7-6을 사용하여 빌드된 학습된 모델이 필요합니다. |
Vowpal Wabbit 7-10 모델 점수 매기기 | Vowpal Wabbit 기계 학습 시스템을 사용하여 데이터의 점수를 지정합니다. Vowpal Wabbit 버전 7-10을 사용하여 빌드된 학습된 모델이 필요합니다. |
Vowpal Wabbit 8 모델 점수 매기기 | 명령줄 인터페이스에서 Vowpal Wabbit 기계 학습 시스템을 사용하여 데이터의 점수를 지정합니다. Vowpal Wabbit 버전 8을 사용하여 빌드된 학습된 모델이 필요합니다. |
데이터 세트의 열 선택 | 작업의 데이터 세트에서 포함하거나 제외할 열을 선택합니다. |
SMOTE | 가상 소수 초과 샘플링을 사용하여 데이터 세트의 낮은 발생률 예제 수를 늘림 |
데이터 분할 | 데이터 세트의 행을 두 개의 개별 집합으로 분할합니다. |
데이터 요약 | 데이터 세트의 열에 대한 기본 설명 통계 보고서를 생성합니다. |
스윕 클러스터링 | 클러스터링 모델에서 매개 변수 스윕을 수행하여 최적의 매개 변수 설정을 결정합니다. |
T-Test를 사용하여 가설 테스트 | t-test를 사용하여 두 데이터 세트의 수단을 비교합니다. |
임계값 필터 | 값을 제한하는 임계값 필터를 만듭니다. |
시계열 변칙 검색 | 시계열 데이터의 추세를 학습한 다음 추세를 사용하여 변칙을 검색합니다. |
변칙 검색 모델 학습 | 변칙 감지기 모델을 학습한 다음 학습 집합의 데이터에 레이블을 지정합니다. |
클러스터링 모델 학습 | 클러스터링 모델을 학습한 다음 학습 집합의 데이터를 클러스터에 할당합니다. |
Matchbox 추천 학습 | Matchbox 알고리즘을 사용하여 Bayesian 추천자를 학습시킵니다. |
모델 학습 | 감독된 방식으로 분류 또는 회귀 모델을 학습시킵니다. |
Vowpal Wabbit 7-4 모델 학습 | Vowpal Wabbit 기계 학습 시스템에서 모델을 학습합니다. 이 모듈은 Vowpal Wabbit 버전 7-4 및 7-6과의 호환성을 위해 제공됩니다. |
Vowpal Wabbit 7-10 모델 학습 | Vowpal Wabbit 기계 학습 시스템에서 모델을 학습합니다. 이 모듈은 Vowpal Wabbit 버전 7-10용입니다. |
Vowpal Wabbit 8 모델 학습 | Vowpal Wabbit 기계 학습 시스템의 버전 8을 사용하여 모델을 학습합니다. 이 모듈은 Vowpal Wabbit 버전 8용입니다. |
모델 하이퍼 매개 변수 튜닝 | 회귀 또는 분류 모델에서 매개 변수 스윕을 수행하여 최적의 매개 변수 설정을 결정합니다. |
2클래스 평균 퍼셉트론 | 평균 퍼셉트론 이진 분류 모델을 만듭니다. |
2클래스 Bayes 지점 머신 | Bayes 지점 컴퓨터 이진 분류 모델을 만듭니다. |
2클래스 향상된 의사 결정 트리 | 향상된 의사 결정 트리 알고리즘을 사용하여 이진 분류자를 만듭니다. |
2클래스 의사 결정 포리스트 | 의사 결정 포리스트 알고리즘을 사용하여 2클래스 분류 모델을 만듭니다. |
2클래스 의사 결정 정글 | 의사 결정 정글 알고리즘을 사용하여 2클래스 분류 모델을 만듭니다. |
2클래스 로컬 심층 지원 벡터 컴퓨터 | 로컬에서 심층 지원 벡터 머신 알고리즘을 사용하여 이진 분류 모델을 만듭니다. |
2클래스 로지스틱 회귀 | 2클래스 로지스틱 회귀 모델을 만듭니다. |
2클래스 신경망 | 신경망 알고리즘을 사용하여 이진 분류자를 만듭니다. |
2클래스 Support Vector Machine | 지원 벡터 머신 알고리즘을 사용하여 이진 분류 모델을 만듭니다. |
압축된 데이터 세트 압축 풀기 | 사용자 스토리지의 .zip 패키지에서 데이터 세트의 압축을 풉니다. |
사용자 정의 필터 | 사용자 지정 유한 또는 무한 임펄스 응답 필터를 만듭니다. |