共用方式為

機器學習-初始化模型

  • 發行項

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。

本文說明機器學習 Studio (傳統) 中可用來定義機器學習模型並設定其參數的模組。

注意

適用于：僅限機器學習 Studio (傳統)

Azure Machine Learning 設計工具中提供類似的拖放模組。

您可以將未定型的 模型 視為可以套用至不同輸入資料集的規格。 您可以將相同的模型規格套用至不同的資料，並取得不同的結果。 或者，您可以使用此規格來重新定型模型。 然後您就可以加入新的資料。

本文也說明在機器學習 Studio (傳統) 中建立、訓練、評估和評分模型的整體流程。

在機器學習 Studio (傳統) 中建立及使用機器學習模型

機器學習服務的一般工作流程包括下列階段：

  • 選擇適當的演算法，並設定初始選項。
  • 使用相容的資料來定型模型。
  • 根據模型中的模式使用新的資料來建立預測。
  • 評估模型，以判斷預測是否正確、錯誤數量，以及是否發生過度學習。

機器學習 Studio (傳統) 支援適用于機器學習的彈性、可自訂架構。 此進程中的每個工作都是由特定類型的模組所執行。 您可以修改、新增或移除模組，而不會中斷實驗的其餘部分。

使用此類別中的模組來選取初始演算法。 然後，根據特定的模型類型設定詳細的參數。 然後，您可以將此模型規格套用至一組資料。

關於建立模型

機器學習提供許多最先進的機器學習演算法，可協助您建立分析模型。 每個演算法都會封裝在自己的模組中。 若要建立自訂模型：

  1. 依類別選擇模型。

    演算法會依特定類型的預測工作進行分組。 範例包括回歸、分類和影像辨識。 您的第一個工作是識別要執行之機器學習工作的一般類別，然後選取演算法。

  2. 設定演算法參數。

    使用每個模組中的 [ 屬性 ] 窗格來設定參數。 參數會控制模型從資料學習的方式。

  3. 針對資料定型模型。

    設定模型之後，串連資料組。 然後，使用其中一個 訓練模組 ，透過您想要使用的演算法來執行資料。

    您可以使用 [ 微調模型超參數 ] 來反復查看所有可能的參數，並判斷工作和資料的最佳設定。

  4. 預測、評分或評估。

    在您建立模型並將其定型之後，您的下一個步驟通常是使用其中一個 計分模組 來根據模型產生預測。

    您可以使用模組進行 模型評估 ，根據您產生的分數來測量模型的精確度。

模組清單

此類別中的模組會依模組封裝的機器學習演算法類型進行組織。 每種類型的演算法通常都需要不同類型的資料。

除了此處所述的傳統機器學習演算法類別之外，下列模組還提供來自資料或前置處理的特製化學習類型：

另請參閱