Поделиться через

Машинное обучение-инициализация модели

  • Статья

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

в этой статье описываются модули в Машинное обучение Studio (классическая модель), которые можно использовать для определения модели машинного обучения и настройки ее параметров.

Примечание

применимо к: только Машинное обучение Studio (классическая модель)

Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.

Обученную модель можно представить как спецификацию, которую можно применить к различным входным наборам данных. Вы можете применить одну и ту же спецификацию модели к различным данным и получить разные результаты. Также можно использовать спецификацию для повторного обучения модели. Затем можно добавить новые данные.

в этой статье также описывается общий процесс создания, обучения, оценки и оценки модели в Машинное обучение Studio (классическая модель).

создание и использование моделей машинного обучения в Машинное обучение Studio (классическая модель)

Типичный рабочий процесс для машинного обучения включает следующие этапы.

  • Выберите подходящий алгоритм и задайте начальные параметры.
  • Обучение модели с помощью совместимых данных.
  • Создание прогнозов с использованием новых данных на основе закономерностей в модели.
  • Оцените модель, чтобы определить, являются ли прогнозы точными, объемом ошибок и должно ли произойти перегонка.

Машинное обучение Studio (классическая модель) поддерживает гибкую настраиваемую платформу для машинного обучения. Каждая задача в этом процессе выполняется модулем определенного типа. Модули можно изменять, добавлять или удалять без нарушения оставшейся части эксперимента.

Используйте модули в этой категории для выбора начального алгоритма. Затем настройте подробные параметры на основе конкретного типа модели. Затем эту спецификацию модели можно применить к набору данных.

О создании моделей

Машинное обучение предоставляет множество современных алгоритмов машинного обучения, которые помогают создавать аналитические модели. Каждый алгоритм упаковывается в отдельный модуль. Чтобы создать настраиваемую модель, выполните следующие действия.

  1. Выберите модель по категориям.

    Алгоритмы группируются по конкретным типам прогнозных задач. Примеры включают регрессию, классификацию и распознавание изображений. Ваша первая задача — указать общую категорию задачи машинного обучения, которую необходимо выполнить, а затем выбрать алгоритм.

  2. Настройка параметров алгоритма.

    Для задания параметров используйте панель Свойства в каждом модуле. Параметры управляют тем, как модель будет изучать данные.

  3. Обучение модели по данным.

    После настройки модели Подключите набор данных. Затем используйте один из обучающих модулей для запуска данных с помощью алгоритмов, которые вы хотите использовать.

    Можно использовать Параметры настройки модели для прохода по всем возможным параметрам и определить оптимальную конфигурацию для задачи и данных.

  4. Прогнозирование, оценка или оценка.

    После создания и обучения модели, как правило, следующим шагом является использование одного из модулей оценки для формирования прогнозов на основе модели.

    Можно использовать модули для оценки модели , чтобы измерить точность модели на основе сформированных оценок.

Список модулей

Модули в этой категории упорядочены по типу алгоритма машинного обучения, который инкапсулирует модули. Для каждого типа алгоритма обычно требуется другой тип данных.

В дополнение к традиционным категориям алгоритмов машинного обучения, описанным здесь, следующие модули предоставляют специализированные типы обучения из данных или предварительной обработки:

См. также раздел