Aplicar Transformação
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Aplica uma transformação de dados bem especificado a um conjunto de dados
Categoria: Machine Learning / Pontuação
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Visão geral do módulo
Este artigo descreve como usar o módulo De Transformação De Aplicação em Machine Learning Studio (clássico), para modificar um conjunto de dados de entrada com base numa transformação previamente calculada.
Por exemplo, se usasse as pontuações z para normalizar os seus dados de treino utilizando o módulo de Dados Normalizados , também quereria utilizar o valor de z-score que foi calculado para treinar durante a fase de pontuação. Em Machine Learning Studio (clássico), pode fazê-lo facilmente guardando o método de normalização como uma transformação e, em seguida, usando Apply Transformation para aplicar o z-score nos dados de entrada antes de marcar.
Machine Learning Studio (clássico) fornece suporte para criar e, em seguida, aplicar vários tipos diferentes de transformações personalizadas. Por exemplo, pode querer guardar e depois reutilizar transformações que façam o seguinte:
Remova ou substitua os valores em falta, utilizando dados em falta de limpeza
Bin, escala e normalizar dados, usando dados normalizar ou dados de grupo em bins
Crie um conjunto de funcionalidades compactas calculando a distribuição de probabilidades conjuntas para um conjunto de dados, utilizando o Aprendizagem com os módulos Counts.
Como usar a Transformação De Aplicar
Adicione o módulo de Transformação De Aplicar à sua experiência. Pode encontrar o módulo thi sob Machine Learning, na categoria Pontuação.
Localize uma transformação existente para usar como entrada.
Se a transformação foi criada anteriormente na experiência (por exemplo, como parte de uma operação de limpeza ou dimensionamento de dados) normalmente o objeto de interface ITransform está disponível na saída direita do módulo. Ligação essa saída para a entrada esquerda da Apply Transformation.
Transformações previamente guardadas podem ser encontradas no grupo Transforms no painel de navegação esquerdo.
Dica
Se conceber uma transformação para uma experiência mas não a salvar explicitamente, a transformação está disponível no espaço de trabalho enquanto a sua sessão estiver aberta. Se fechar a sessão mas não salvar a transformação, pode reexaminar a experiência para gerar o objeto de interface ITransform .
Ligação o conjunto de dados que pretende transformar. O conjunto de dados deve ter exatamente o mesmo esquema (número de colunas, nomes de colunas, tipos de dados) que o conjunto de dados para o qual a transformação foi concebida pela primeira vez.
Não é necessário definir outros parâmetros; toda a personalização é feita ao definir a transformação.
Para aplicar uma transformação no novo conjunto de dados, executar a experiência.
Exemplos
Para ver como este módulo é usado na aprendizagem automática, consulte a Galeria Azure AI:
Deteção de Fraudes Online: Esta amostra demonstra como utilizar a Apply Transformation com Dados Desaparecidos Limpos, para garantir que os valores em falta são tratados da mesma forma em todos os conjuntos de dados.
Manutenção Preditiva: Demonstra como utilizar a Transformação de Aplicação com Dados Normalizadores.
Aprendizagem com Condes: Utiliza a Transformação para reutilizar uma tabela de contagem.
Notas técnicas
O módulo De Transformação De Aplicação pode ter como entrada a saída de qualquer módulo que cria uma interface ITransform. Estes módulos incluem:
Dica
Também pode guardar e reutilizar filtros concebidos para o processamento de sinais digitais. No entanto, os filtros utilizam a interface de interface IFilter , em vez da interface ITransform.
Entradas esperadas
Nome | Tipo | Description |
---|---|---|
Transformação | Interface ITransform | Uma transformação de dados nãoary |
Conjunto de dados | Tabela de Dados | Conjunto de dados a ser transformado |
Saídas
Nome | Tipo | Description |
---|---|---|
Conjunto de dados transformado | Tabela de Dados | Conjunto de dados transformado |
Exceções
Exceção | Description |
---|---|
Erro 0003 | A exceção ocorre se uma ou mais entradas forem nulas ou vazias. |
Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte Machine Learning Códigos de Erro.
Para obter uma lista de exceções da API, consulte Machine Learning CÓDIGOs de Erro da API REST.
Ver também
Filtro
Aplicar Transformação SQL
Limpar Dados em Falta
Normalizar Dados
Lista de Módulos A-Z
Agrupar Dados em Posições