Partilhar via


Machine Learning - Comboio

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).

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

Este artigo descreve os módulos fornecidos no Machine Learning Studio (clássico) para a formação de um modelo de machine learning. A formação é o processo de análise de dados de entrada utilizando os parâmetros de um modelo predefinido. A partir desta análise, o modelo aprende os padrões e guarda-os na forma de um modelo treinado.

Nota

Aplica-se a: Machine Learning Studio (clássico) apenas

Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.

Este artigo também descreve o processo geral em Machine Learning Studio (clássico) para criação de modelos, formação, avaliação e pontuação.

Criar e utilizar modelos de aprendizagem automática

O fluxo de trabalho típico para machine learning inclui estas fases:

  • Escolher um algoritmo adequado e definir opções iniciais.
  • Treinar o modelo em dados compatíveis.
  • Criar previsões utilizando novos dados, com base nos padrões do modelo.
  • Avaliar o modelo para determinar se as previsões são precisas, quanto erro existe e se há alguma sobremontagem.

Machine Learning Studio (clássico) suporta uma estrutura flexível e personalizável para machine learning. Cada tarefa neste processo é realizada por um tipo específico de módulo, que pode ser modificado, adicionado ou removido, sem quebrar o resto da sua experiência.

Os módulos desta categoria apoiam a formação para diferentes tipos de modelos. Durante o treino, os dados são analisados pelo algoritmo de aprendizagem automática. Este algoritmo analisa a distribuição e o tipo de dados, compila estatísticas e cria padrões que podem ser usados posteriormente para previsão.

Mais sobre formação de modelos

Quando Machine Learning está a treinar um modelo, as filas com valores em falta são ignoradas. Portanto, se pretender fixar os valores manualmente, utilizar a imputação ou especificar um método diferente para manusear valores em falta, utilize o módulo de Dados Desaparecidos Limpos antes de treinar no conjunto de dados.

Recomendamos que utilize o módulo Editar Metadados para corrigir quaisquer outros problemas com os dados. Pode ser necessário marcar a coluna do rótulo, alterar tipos de dados ou corrigir nomes de colunas.

Para outras tarefas comuns de limpeza de dados, tais como normalização, amostragem, vinculamento e escala, consulte a categoria de Transformação de Dados .

Escolha o treinador certo

O método que usa para treinar um modelo depende do tipo de modelo que está a criar e do tipo de dados que o modelo necessita. Por exemplo, Machine Learning fornece módulos especificamente para modelos de deteção de anomalias de formação, modelos de recomendação, e muito mais.

Verifique a lista de módulos de treino para determinar qual deles está correto para o seu cenário.

Se não tiver a certeza dos melhores parâmetros a utilizar ao treinar um modelo, utilize um dos módulos previstos para a varredura e validação de parâmetros:

  • Tune Model Hyperparameters pode executar uma varredura de parâmetros em quase todos os modelos de classificação e regressão. Treina vários modelos e depois devolve o melhor modelo.

  • O módulo de Agrupamento sweep suporta afinação de modelos durante o processo de treino, e destina-se a ser utilizado apenas com modelos de agrupamento. Pode especificar uma gama de centrosids e treinar dados enquanto deteta automaticamente os melhores parâmetros.

  • O módulo Modelo Cross-Valide também é útil para a otimização do modelo, mas não devolve um modelo treinado. Em vez disso, fornece métricas que pode usar para determinar o melhor modelo.

Reenviar modelos

Se precisar de reconverter um modelo de produção, pode voltar a executar a experiência a qualquer momento.

Também pode automatizar o processo de reconversão utilizando serviços web. Para uma passagem, consulte retreinando e atualizando Machine Learning modelos com a Azure Data Factory.

Utilize modelos pré-treinados

Machine Learning inclui alguns modelos pré-treinados, como o módulo de Classificação de Imagem em Cascata pré-treinado. Pode utilizar estes modelos para pontuar sem entrada de dados adicionais.

Além disso, alguns módulos (como a Deteção de Anomalias em Séries de Tempo) não geram um modelo treinado no formato iLearner. Mas pegam em dados de formação e criam um modelo internamente, que pode ser usado para fazer previsões. Para usá-los, basta configurar os parâmetros e fornecer dados.

Guarde uma foto de um modelo treinado

Se quiser guardar ou exportar o modelo, clique com o botão direito no módulo de treino e selecione Save as Training Model. O modelo é exportado para o formato iLearner e guardado no seu espaço de trabalho, em Modelos Treinados. Os modelos treinados podem ser reutilizados noutras experiências ou ligados a outros módulos para pontuação.

Também pode utilizar o módulo Modelo Treinado de Carga numa experiência para recuperar um modelo armazenado.

Lista de módulos

A categoria Comboio inclui estes módulos:

Alguns módulos não estão nesta categoria, pois requerem um formato especial ou são personalizados para uma tarefa específica:

Ver também