Träna avvikelseidentifieringsmodell
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.
Träna en avvikelseidentifieringsmodell på en träningsuppsättning
Kategori: Machine Learning/träna
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 Träna avvikelseidentifieringsmodell i Machine Learning för att skapa en tränad avvikelseidentifieringsmodell.
Modulen tar som indata en uppsättning modellparametrar för avvikelseidentifieringsmodellen, till exempel den som produceras av modulen One-Class Support Vector Machine och en omärkt datauppsättning. Den returnerar en tränad avvikelseidentifieringsmodell tillsammans med en uppsättning etiketter för träningsdata.
Mer information om algoritmerna för avvikelseidentifiering som finns i Machine Learning finns i följande avsnitt:
Så här konfigurerar du Train Anomaly Detection Model (Träna avvikelseidentifieringsmodell)
Lägg till modulen Train Anomaly Detection Model (Träna avvikelseidentifieringsmodell) i experimentet i Studio (klassisk). Du hittar modulen under Machine Learning i kategorin Träna.
Anslut en av modulerna som utformats för avvikelseidentifiering, till exempel PCA-baserad avvikelseidentifiering eller en klass stödvektormaskin.
Andra typer av modeller stöds inte. när du kör experimentet får du felet: Alla modeller måste ha samma typ av elever.
Konfigurera modulen för avvikelseidentifiering genom att välja etikettkolumnen och ange andra parametrar som är specifika för algoritmen.
Bifoga en träningsdatamängd till höger för Train Anomaly Detection Model (Träna avvikelseidentifieringsmodell).
Kör experimentet.
Resultat
När träningen är klar:
Om du vill visa modellens parametrar högerklickar du på modulen och väljer Visualisera.
Om du vill skapa förutsägelser använder du Poängmodell med nya indata.
Om du vill spara en ögonblicksbild av den tränade modellen högerklickar du på utdata för Tränad modell och väljer Spara som.
Exempel
Ett exempel på hur avvikelseidentifiering implementeras i Machine Learning finns i Azure AI Gallery:
Identifiering av bedrägerier online: Innehåller en detaljerad genomgång av ett scenario för avvikelseidentifiering, inklusive hur du konstruerar funktioner och tolkar resultatet av en algoritm.
Avvikelseidentifiering: Kreditrisk: Visar hur du använder modulerna One-Class Support Vector Machine och PCA-Based Anomaly Detection för identifiering av bedrägerier.
Förväntade indata
Namn | Typ | Description |
---|---|---|
Ej tränad modell | ILearner-gränssnitt | Modell för avvikelseidentifiering utan träning |
Datamängd | Datatabell | Indatakälla |
Utdata
Namn | Typ | Description |
---|---|---|
Tränad modell | ILearner-gränssnitt | Tränad avvikelseidentifieringsmodell |
Undantag
Undantag | Description |
---|---|
Fel 0003 | Undantaget inträffar om en eller flera indata är null eller tomma. |
En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.
En lista över API-undantag finns i Machine Learning REST API felkoder.