Azure Machine Learning 設計工具的演算法和元件參考

注意

設計工具支援兩種類型的元件：傳統預先建置的元件和自訂元件。這兩種類型的元件互不相容。

傳統預先建置的元件主要提供用於資料處理和傳統機器學習工作 (例如迴歸和分類) 的預先建置元件。此類型的元件會繼續受到支援，但將不會新增任何新元件。

自訂元件可讓您提供自己的程式碼作為元件。其支援跨工作區共用，且可跨 Studio、CLI 和 SDK 介面順暢製作。

此文章適用於傳統預先建置的元件。

此參考內容提供 Azure 機器學習設計工具中每個傳統預先建置元件的技術背景。

每個元件都代表一組程式代碼，這些程式代碼可以獨立執行，並視需要輸入來執行機器學習工作。元件可能包含特定演算法，或執行在機器學習中很重要的工作，例如遺漏值取代或統計分析。

如需選擇演算法的說明，請參閱

提示

在設計工具的任何管線中，您可以取得特定元件的相關信息。 將滑鼠停留在元件清單中的元件或元件右窗格中時，選取元件卡片中的 [深入瞭解] 連結。

數據準備元件

功能	描述	component
資料輸入和輸出	將數據從雲端來源移至您的管線。在執行管線時，將您的結果或中繼數據寫入 Azure 儲存體或 SQL 資料庫，或使用雲端記憶體在管線之間交換數據。	手動輸入數據匯出資料匯入資料
資料轉換	機器學習服務特有的數據作業，例如正規化或量化數據、減少維度，以及在各種檔格式之間轉換數據。	新增數據行新增數據列套用數學運算套用 SQL 轉換清除遺漏的數據裁剪值轉換為 CSV 轉換成數據集轉換為指標值編輯元數據將數據分組為 Bin 聯結數據正規化數據數據分割和範例拿掉重複的數據列擊打選取資料行轉換選取數據集中的數據行分割數據
特徵選取	選取要用來建置分析模型的相關實用功能子集。	篩選型特徵選取排列特徵重要性
統計函數	提供與數據科學相關的各種統計方法。	摘要數據

功能	描述	component
迴歸	預測值。	提升式判定樹回歸決策樹系回歸快速樹系分位數回歸線性回歸類神經網路回歸波氏回歸
叢集	將數據分組在一起。	K-Means 叢集
分類	預測類別。從二進位（雙類別）或多類別演算法中選擇。	多類別提升判定樹多類別決策樹系多類別羅吉斯回歸多類別類神經網路一個與所有多類別一個與一個多類別雙類別平均 Perceptron 雙類別提升判定樹雙類別判定樹系雙類別羅吉斯回歸雙類別類神經網路兩個類別支援向量機器

功能	描述	component
模型定型	透過演算法執行數據。	定型叢集模型訓練模型將 Pytorch 模型定型微調模型超參數
模型評分和評估	測量定型模型的精確度。	套用轉換將數據指派給叢集交叉驗證模型評估模型評分影像模型評分模型
Python 語言	撰寫程式代碼並將其內嵌在元件中，以整合 Python 與您的管線。	建立 Python 模型執行 Python 腳本
R 語言	撰寫程式代碼並將它內嵌在元件中，以整合 R 與您的管線。	執行 R 文稿
文字分析	提供特殊的計算工具，以使用結構化和非結構化文字。	將 Word 轉換為向量從文字擷取 N 克特徵功能哈希前置處理文字延遲 Dirichlet 配置評分 Vowpal Wabbit 模型定型 Vowpal Wabbit 模型
電腦視覺	影像數據前置處理和影像辨識相關元件。	套用影像轉換轉換成映像目錄 Init 影像轉換分割映像目錄 DenseNet ResNet
建議	建置建議模型。	評估推薦分數 SVD 推薦評分寬和深度推薦訓練 SVD 推薦訓練寬和深度推薦
異常偵測	建置異常偵測模型。	PCA 型異常偵測定型異常偵測模型

設計工具中的所有內建元件都會在 Microsoft 提供的固定環境中執行。

先前此環境是以 Python 3.6 為基礎，現在已升級至 Python 3.8。此升級是透明的，因為元件會自動在 Python 3.8 環境中執行，而且不需要使用者採取任何動作。環境更新可能會影響元件輸出，並從即時推斷部署即時端點，請參閱下列各節以深入瞭解。

將 Python 版本從 3.6 升級至 3.8 之後，內建元件的相依性也可能隨之升級。因此，您可能會發現某些元件輸出與先前的結果不同。

如果您使用執行 Python 腳本元件，且先前已安裝系結至 Python 3.6 的套件，您可能會遇到如下的錯誤：

如果您直接從先前完成的即時推斷管線部署即時端點，它可能會發生錯誤。

建議：複製推斷管線並再次提交，然後部署到即時端點。