機器學習 Studio (傳統) 模組的 a-z 清單
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
提示
我們鼓勵目前正在使用或評估 Machine Learning Studio (傳統) 的客戶嘗試使用 Azure Machine Learning 設計工具，這會提供拖放 ML 模組加上延展性、版本控制及企業安全性。
這些課程模組涵蓋了機器學習工作所需的各種功能和功能：
- 資料轉換函數
- 資料轉換函數
- 執行 R 或 Python 腳本的模組
- 演算法，包括：
- 決策樹
- 決策樹系
- 叢集
- 時間序列
- 建議模型
- 異常偵測
若要尋找模組：
依字母順序排列的模組資料表
| 模組名稱 | 說明 |
|---|---|
| 新增資料行 | 將一組資料行從一個資料集加入至另一個資料集。 |
| 新增資料列 | 將輸入資料集的一組資料列附加至另一個資料集的結尾。 |
| 套用篩選 | 將篩選套用至資料集的指定資料行。 |
| 套用數學運算 | 將數學運算套用至資料行值。 |
| 套用 SQL 轉換 | 在輸入資料集上執行 SQLite 查詢來轉換資料。 |
| 套用轉換 | 將妥善指定的資料轉換套用至資料集。 |
| 將資料指派給叢集 | 使用現有的定型群集模型將資料指派給群集。 |
| 貝氏線性迴歸 | 建立貝氏線性回歸模型。 |
| 促進式決策樹迴歸 | 使用促進式決策樹演算法建立回歸模型。 |
| 組建計數轉換 | 建立用來建立功能的計數。 |
| 清除遺漏的資料 | 指定如何處理資料集遺漏的值。 |
| 剪輯值 | 偵測極端值，然後裁剪或取代其值。 |
| 計算基本統計資料 | 針對選取的資料集資料行計算指定的摘要統計資料。 |
| 偵測語言 | 偵測輸入檔中每一行的語言。 |
| 計算線性相互關聯 | 計算資料集中資料行值之間的線性關聯。 |
| 轉換成 ARFF | 將資料輸入轉換成 Weka 工具組所使用的屬性關聯檔案格式。 |
| 轉換為 CSV | 將資料輸入轉換成逗點分隔值格式。 |
| 轉換為資料集 | 將資料輸入轉換為機器學習所使用的內部資料集格式。 |
| 轉換為指標值 | 將資料行中的類別值轉換成指標值。 |
| 轉換成 SVMLight | 將資料輸入轉換成 SVMlight framework 所使用的格式。 |
| 轉換成 TSV | 將資料輸入轉換為定位字元分隔格式。 |
| 建立 R 模型 | 使用自訂資源建立 R 模型。 |
| 交叉驗證模型 | 藉由分割資料來交叉驗證分類或回歸模型的參數估計值。 |
| 決策樹系迴歸 | 使用決策樹系演算法建立回歸模型。 |
| 偵測語言 | 偵測輸入檔中每一行的語言。 |
| 編輯中繼資料 | 編輯與資料集中的資料行相關聯的中繼資料。 |
| 手動輸入資料 | 藉由輸入值來啟用輸入和編輯小型資料集。 |
| 評估模型 | 使用標準計量來評估計分的分類或回歸模型。 |
| 評估機率函數 | 將指定的機率分佈函數納入資料集。 |
| 評估推薦 | 評估推薦模型預測的精確度。 |
| 執行 Python 指令碼 | 從機器學習實驗執行 Python 腳本。 |
| 執行 R 指令碼 | 從機器學習實驗執行 R 腳本。 |
| 匯出計數資料表 | 從計數轉換匯出計數。 |
| 匯出資料 | 將資料集寫入 web url 或 Azure 中各種形式的雲端式儲存體，例如資料表、blob 和 Azure SQL 資料庫。 此模組先前命名為 Writer。 |
| 從文字中將關鍵字組解壓縮 | 從文字資料行中解壓縮關鍵字和片語。 |
| 從文字擷取 N-Gram 特徵 | 建立 N 語法的字典功能，然後對其進行特徵選取。 |
| 快速樹系分量迴歸 | 建立分量回歸模型。 |
| 特性雜湊 | 使用 Vowpal Wabbit 程式庫將文字資料轉換成整數編碼的功能。 |
| 以篩選為基礎的特徵選取 | 識別資料集內具有最大預測能力的功能。 |
| FIR 濾波器 | 為信號處理建立有限脈衝回應篩選。 |
| Fisher 線性判別分析 | 識別功能變數的線性組合，這些變數可以將資料最妥善地分組至不同的類別。 |
| 群組類別值 | 將來自多個類別目錄的資料分組至新的分類。 |
| 將資料分組成 Bin | 將數值資料放入 bin 中。 |
| IIR 濾波器 | 為信號處理建立無限脈衝回應篩選。 |
| 匯入計數資料表 | 從現有的計數資料表匯入計數。 |
| 匯入資料 | 從網路上的外部來源，或從 Azure 中各種形式的雲端式儲存體載入資料，例如資料表、blob、SQL 資料庫和 Azure Cosmos DB。 如果已設定閘道，就可以從內部部署 SQL Server 資料庫載入資料。 此模組先前稱為「 讀取器」。 |
| 匯入影像 | 將映射從 Azure Blob 儲存體載入至資料集。 |
| 聯結資料 | 聯結兩個資料集。 |
| K-Means 群集 | 設定及初始化 K 意指叢集模型。 |
| 隱含狄利克雷分佈 | 使用 Vowpal Wabbit 程式庫來執行主題模型化，以進行潛在狄氏配置 (LDA) 。 |
| 線性迴歸 | 建立線性回歸模型。 |
| 載入定型的模型 | 取得定型的模型，您可以在實驗中用來進行評分。 |
| 中值濾波器 | 建立用來讓資料平滑以進行趨勢分析的中間值篩選。 |
| 合併計數轉換 | 合併兩組計數資料表。 |
| 修改計數資料表參數 | 從計數資料表建立一組以計數為基礎的精簡特徵。 |
| 移動平均濾波器 | 建立會將資料平滑以進行趨勢分析的移動平均篩選。 |
| 多元決策樹系 | 使用決策樹系演算法來建立多元分類模型。 |
| 多級決策叢林 | 使用決策蛙演算法來建立多元分類模型。 |
| 多元羅吉斯迴歸 | 建立多元羅吉斯回歸分類模型。 |
| 多元神經網路 | 使用類神經網路演算法建立多元分類模型。 |
| 具名實體辨識 | 辨識文字資料行中的已命名實體。 |
| 類神經網路迴歸 | 使用類神經網路演算法建立回歸模型。 |
| 將資料標準化 | 方式將數值資料，以將資料集值限制在標準範圍內。 |
| 一級支援向量機器 | 建立單一類別支援向量機器模型以進行異常偵測。 |
| 一對多多級 | 從二元分類模型的集團建立多元分類模型。 |
| 序數迴歸 | 建立序數回歸模型。 |
| 資料分割和取樣 | 根據取樣建立資料集的多個資料分割。 |
| 排列功能重要性 | 計算定型模型和測試資料集內功能變數的排列功能重要性分數。 |
| PCA 型異常偵測 | 使用主體元件分析 (PCA) 來建立異常偵測模型。 |
| 波氏迴歸 | 建立假設資料具有波氏分佈的回歸模型。 |
| 前置處理文字 | 對文字執行清除作業。 |
| 預先定型的重疊顯示影像分類 | 使用 OpenCV 程式庫建立正面臉部的預先定型影像分類模型。 |
| 主體元件分析 | 計算一組具有精簡維度的功能，以獲得更有效率的學習。 |
| 移除重複的資料列 | 從資料集移除重複的資料列。 |
| 取代離散值 | 根據另一個資料行，以數值取代一個資料行的離散值。 |
| 計分 Matchbox 推薦 | 使用 Matchbox 推薦為資料集評分預測。 |
| 為模型評分 | 評分定型分類或回歸模型的預測。 |
| 計分 Vowpal Wabbit 7-4 模型 | 使用 Vowpal Wabbit 機器學習系統來計分資料。 需要使用 Vowpal Wabbit 7-4 和7-6 版建立的定型模型。 |
| 計分 Vowpal Wabbit 7-10 模型 | 使用 Vowpal Wabbit 機器學習系統來計分資料。 需要使用 Vowpal Wabbit 7-10 版所建立的定型模型。 |
| 計分 Vowpal Wabbit 8 模型 | 從命令列介面使用 Vowpal Wabbit 機器學習系統來計分資料。 需要使用 Vowpal Wabbit 第8版建立的定型模型。 |
| 選取資料集中的資料行 | 選取要在作業中包含或排除資料集的資料行。 |
| SMOTE | 使用綜合少數超取樣來增加資料集中的低發生範例數目。 |
| 資料分割 | 將資料集的資料列分割成兩個不同的集合。 |
| 摘要資料 | 針對資料集中的資料行產生基本描述性統計資料包表。 |
| 清理叢集 | 在群集模型上執行參數清除，以判斷最佳參數設定。 |
| 使用 T 測試的測試假設 | 使用 t 測試來比較兩個資料集的意思。 |
| 臨界值篩選器 | 建立限制值的臨界值篩選準則。 |
| 時間序列異常偵測 | 學習時間序列資料中的趨勢，然後使用趨勢來偵測異常狀況。 |
| 定型異常偵測模型 | 訓練異常偵測器模型，然後從定型集中標示資料。 |
| 將群集模型定型 | 定型群集模型，然後將定型集的資料指派給叢集。 |
| 定型 Matchbox 推薦 | 使用 Matchbox 演算法來訓練貝氏推薦。 |
| 訓練模型 | 以監督的方式訓練分類或回歸模型。 |
| 定型 Vowpal Wabbit 7-4 模型 | 從 Vowpal Wabbit 機器學習系統訓練模型。 此課程模組是為了與 Vowpal Wabbit 7-4 和7-6 版相容。 |
| 定型 Vowpal Wabbit 7-10 模型 | 從 Vowpal Wabbit 機器學習系統訓練模型。 此模組適用于 Vowpal Wabbit 7-10 版。 |
| 定型 Vowpal Wabbit 8 模型 | 使用第8版的 Vowpal Wabbit 機器學習系統來訓練模型。 此課程模組適用于 Vowpal Wabbit 第8版。 |
| 微調模型超參數 | 在回歸或分類模型上執行參數清除，以決定最佳的參數設定。 |
| 二元平均感知器 | 建立平均認知二元分類模型。 |
| 二級貝氏點機器 | 建立貝氏機率分類點機器二元分類模型。 |
| 二元促進式決策樹 | 使用促進式決策樹演算法建立二元分類器。 |
| 二元決策樹系 | 使用決策樹系演算法建立雙類別分類模型。 |
| 二級決策叢林 | 使用決策蛙演算法建立二級分類模型。 |
| 二級局部深度支援向量機器 | 使用本機深度支援向量機器演算法建立二元分類模型。 |
| 二元羅吉斯迴歸 | 建立兩個類別的羅吉斯回歸模型。 |
| 二元神經網路 | 使用類神經網路演算法建立二元分類器。 |
| 二元支援向量機器 | 使用支援向量機器演算法建立二元分類模型。 |
| 解壓縮壓縮的資料集 | 從使用者儲存體中 .zip 套件解壓縮資料集。 |
| 使用者定義的篩選 | 建立自訂的有限或無限脈衝回應篩選。 |