Bayesiansk linjär regression
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Skapar en bayesisk linjär regressionsmodell
Kategori: Machine Learning/initiera modell/regression
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Modulöversikt
I den här artikeln beskrivs hur du använder modulen Bayesian Linear Regression i Machine Learning Studio (klassisk) för att definiera en regressionsmodell baserad på Bayesiansk statistik.
När du har definierat modellparametrarna måste du träna modellen med en taggad datauppsättning och modulen Träna modell. Den tränade modellen kan sedan användas för att göra förutsägelser. Alternativt kan den tränade modellen skickas till korsvalideringsmodellen för korsvalidering mot en etiketterad datauppsättning.
Mer om Bayesian-regression
I statistik kontrasteras den bayesiska regressionsstrategin ofta med den frekventa metoden.
Bayesiansk metod använder linjär regression med ytterligare information i form av en tidigare sannolikhetsfördelning. Tidigare information om parametrarna kombineras med en sannolikhetsfunktion för att generera skattningar för parametrarna.
Den frekventa metoden, som representeras av minsta-kvadrat-linjär standard regression, förutsätter däremot att data innehåller tillräckliga mått för att skapa en meningsfull modell.
Mer information om forskningen bakom den här algoritmen finns i länkarna i avsnittet Tekniska anteckningar.
Så här konfigurerar du Bayesian Regression
Lägg till modulen Bayesian Linear Regression i experimentet. Du hittar den här modulen under Machine Learning, Initiera, i kategorin Regression.
Regulariseringsvikt: Ange ett värde som ska användas för regularisering. Regularisering används för att förhindra överanpassning. Den här vikten motsvarar L2. Mer information finns i avsnittet Tekniska anteckningar.
Tillåt okända kategoriska nivåer: Välj det här alternativet om du vill skapa en gruppering för okända värden. Modellen kan bara acceptera de värden som finns i träningsdata. Modellen kan vara mindre exakt för kända värden, men ger bättre förutsägelser för nya (okända) värden.
Anslut en datamängd för träning och en av träningsmodulerna. Den här modelltypen har inga parametrar som kan ändras i en parametersökning, så även om du kan träna modellen med hyperparametrar för justera modell kan den inte automatiskt optimera modellen.
Välj den enskilda numeriska kolumn som du vill modellera eller förutsäga.
Kör experimentet.
Resultat
När träningen är klar:
- Om du vill se en sammanfattning av modellens parametrar högerklickar du på utdata för modulen Träna modell och väljer Visualisera.
- Om du vill skapa förutsägelser använder du den tränade modellen som indata till Poängmodell.
Exempel
Exempel på regressionsmodeller finns i Azure AI Gallery.
- Jämför regressionsmodeller: Kontrasterar flera olika typer av regressionsmodeller.
Teknisk information
Användningen av lambda-koefficienten beskrivs i detalj i den här textboken om maskininlärning: Pattern Recognition och Machine Learning, Christopher Pattern, Springer-Verlag, 2007.
Den här artikeln är tillgänglig som en PDF-nedladdning från Microsoft Research-webbplatsen: Bayesian Regression and Classification
Modulparametrar
| Name | Intervall | Typ | Standardvärde | Description |
|---|---|---|---|---|
| Regulariseringsvikt | >=double. Epsilon | Float | 1.0 | Skriv en konstant som ska användas i regularisering. Konstanten representerar förhållandet mellan viktens precision före brusprecisionen. |
| Tillåt okända kategoriska nivåer | Valfri | Boolesk | true | Om sant skapas ytterligare en nivå för varje kategorisk kolumn. Alla nivåer i testdatamängden som inte är tillgängliga i träningsdatamängden mappas till den här ytterligare nivån. |
Utdata
| Namn | Typ | Description |
|---|---|---|
| Ej tränad modell | ILearner-gränssnitt | En otränad bayesisk linjär regressionsmodell |