机器学习初始化模型
重要
对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。
从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。
ML 工作室（经典）文档即将停用，将来可能不会更新。
本文介绍可用于定义机器学习模型并设置其参数的机器学习 Studio (经典) 中的模块。
你可以将未 训练的模型 视为可应用于不同输入数据集的规范。 您可以对不同数据应用相同的模型规范并获得不同的结果。 或者，您可以使用该规范重新训练模型。 然后，可以添加新的数据。
本文还介绍了在机器学习 Studio (经典) 中创建、训练、评估和评分模型的整个过程。
在机器学习 Studio 中创建和使用机器学习模型 (经典)
机器学习的典型工作流包括以下阶段：
- 选择合适的算法并设置初始选项。
- 使用兼容数据训练模型。
- 使用基于模型中的模式的新数据来创建预测。
- 评估模型，确定预测值是否准确、错误量以及是否发生过度拟合。
机器学习 Studio (经典) 支持用于机器学习的灵活、可自定义的框架。 此过程中的每个任务均由特定类型的模块执行。 可以修改、添加或删除模块，而不会破坏实验的其余部分。
使用此类别中的模块可选择初始算法。 然后，基于特定的模型类型配置详细参数。 然后，可以将此模型规范应用于一组数据。
关于创建模型
机器学习提供了许多先进的机器学习算法来帮助你生成分析模型。 每个算法都打包在各自的模块中。 创建自定义模型：
按类别选择模型。
算法按特定类型的预测任务进行分组。 示例包括回归、分类和图像识别。 你的第一个任务是确定要执行的机器学习任务的一般类别，然后选择一个算法。
配置算法参数。
使用每个模块中的 " 属性 " 窗格来设置参数。 参数控制模型从数据中的学习方式。
针对数据定型模型。
配置该模型后，请连接数据集。 然后，使用其中一种 培训模块 通过要使用的算法运行数据。
您可以使用 调谐模型超参数 来循环访问所有可能的参数，并确定任务和数据的最佳配置。
预测、评分或求值。
构建和训练模型后，下一步就是使用其中一个 计分模块 基于该模型生成预测。
您可以使用 模型评估 模块根据您生成的分数来度量模型的准确性。
模块列表
此类别中的模块按模块封装的机器学习算法的类型进行组织。 每种类型的算法通常都需要不同类型的数据。
相关任务
除了此处所述的传统机器学习算法类别外，以下模块还提供了来自数据或预处理的专业学习类型：