Transformatie toepassen

Belangrijk

De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.

Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.

• Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
• Meer informatie over Azure Machine Learning.

De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.

Hiermee wordt een goed opgegeven gegevenstransformatie toegepast op een gegevensset

Categorie: Machine Learning/score

Notitie

Van toepassing op: Machine Learning Studio (klassiek)

Vergelijkbare modules met slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.

Moduleoverzicht

In dit artikel wordt beschreven hoe u de module Transformatie toepassen in Machine Learning Studio (klassiek) gebruikt om een invoerset te wijzigen op basis van een eerder berekende transformatie.

Als u bijvoorbeeld z-scores hebt gebruikt om uw trainingsgegevens te normaliseren met behulp van de module Gegevens normaliseren, wilt u ook de z-score-waarde gebruiken die tijdens de scorefase is berekend voor de training. In Machine Learning Studio (klassiek) kunt u dit eenvoudig doen door de normalisatiemethode op te slaan als een transformatie en vervolgens transformatie toepassen te gebruiken om de z-score toe te passen op de invoergegevens voordat u gaat scoren.

Machine Learning Studio (klassiek) biedt ondersteuning voor het maken en vervolgens toepassen van veel verschillende soorten aangepaste transformaties. U kunt bijvoorbeeld transformaties opslaan en opnieuw gebruiken die het volgende doen:

• Ontbrekende waarden verwijderen of vervangen met behulp van Ontbrekende gegevens ops schonen

• Gegevens in binn opslaan, schalen en normaliseren met behulp van Gegevens normaliseren of Groepsgegevens in bins

• Maak een set compacte kenmerken door de gezamenlijke waarschijnlijkheidsverdeling voor een gegevensset te berekenen, met behulp van de Learning met counts-modules.

Transformatie toepassen gebruiken

1. Voeg de module Transformatie toepassen toe aan uw experiment. U vindt de module onder Machine Learning, in de categorie Score.

2. Zoek een bestaande transformatie die u als invoer wilt gebruiken.

   Als de transformatie eerder in het experiment is gemaakt (bijvoorbeeld als onderdeel van een opschoon- of gegevensschaalbewerking), is het interfaceobject ITransform doorgaans beschikbaar in de rechteruitvoer van de module. Verbinding maken die uitvoer naar de linkerinvoer van Transformatie toepassen.

   Eerder opgeslagen transformaties vindt u in de groep Transformaties in het linkernavigatievenster.

   Tip

   Als u een transformatie voor een experiment ontwerpt, maar deze niet expliciet op slaan, is de transformatie beschikbaar in de werkruimte zolang uw sessie is geopend. Als u de sessie sluit maar de transformatie niet op slaan, kunt u het experiment opnieuw uitvoeren om het interfaceobject ITransform te genereren.

3. Verbinding maken de gegevensset die u wilt transformeren. De gegevensset moet exact hetzelfde schema hebben (aantal kolommen, kolomnamen, gegevenstypen) als de gegevensset waarvoor de transformatie voor het eerst is ontworpen.

4. Er hoeven geen andere parameters te worden ingesteld; Alle aanpassingen worden uitgevoerd bij het definiëren van de transformatie.

5. Als u een transformatie wilt toepassen op de nieuwe gegevensset, moet u het experiment uitvoeren.

Voorbeelden

Als u wilt zien hoe deze module wordt gebruikt in machine learning, gaat u naar de Azure AI Gallery:

• Online fraudedetectie: in dit voorbeeld wordt gedemonstreerd hoe u Transformatie toepassen met clean missing data gebruikt om ervoor te zorgen dat ontbrekende waarden hetzelfde worden verwerkt in alle gegevenssets.

• Predictief onderhoud: demonstreert hoe u Transformatie toepassen gebruikt met Gegevens normaliseren.

• Learning counts: gebruikt Transformatie toepassenom een count-tabel opnieuw te gebruiken.

Technische opmerkingen

De module Transformatie toepassen kan als invoer de uitvoer nemen van elke module die een ITransform-interface maakt. Deze modules omvatten:

• Ontbrekende gegevens ops schonen

• Gegevens normaliseren

• Gegevens in opslaglocaties groeperen

• Learning aantal

Tip

U kunt ook filters opslaan en opnieuw gebruiken die zijn ontworpen voor digitale signaalverwerking. Filters maken echter gebruik van de interface IFilter in plaats van de ITransform-interface.

Verwachte invoer

Naam	Type	Description
Transformatie	ITransform-interface	Een unaire gegevenstransformatie
Gegevensset	Gegevenstabel	Gegevensset die moet worden getransformeerd

Uitvoerwaarden

Naam	Type	Description
Getransformeerde gegevensset	Gegevenstabel	Getransformeerde gegevensset

Uitzonderingen

Uitzondering	Description
Fout 0003	Uitzondering treedt op als een of meer invoer null of leeg zijn.

Zie Foutcodes voor een lijst met fouten die specifiek zijn Machine Learning voor Studio-modules (klassiek).

Zie Foutcodes voor een lijst Machine Learning REST API API-uitzonderingen.

Zie ook

Filter
SQL-transformatie toepassen
Ontbrekende gegevens ops schonen
Gegevens normaliseren
Lijst met A-Z-modules
Gegevens in opslaglocaties groeperen