Filtreyi Uygula

Bir veri kümesinde belirtilen sütunlara filtre uygular

Kategori: Veri Dönüştürme / Filtre

Modüle genel bakış

Bu makalede, daha önce tanımlanmış bir filtre uygulayarak değer sütununu dönüştürmek için Machine Learning Studio'daki (klasik) Filtre Uygula modülünün nasıl kullanacağız açıklanmıştır. Filtreler dijital sinyal işlemede gürültüyü azaltmak veya bir deseni vurgulamak için kullanılır. Bu nedenle, dönüştüren değerler her zaman sayısaldır ve genellikle bir tür ses veya görsel sinyali temsil eder.

Veri kaynağınız için en uygun filtre türünü belirleydikten sonra parametreleri belirtir ve Filtre Uygula'nın kullanarak veri kümesi dönüştürmesini sağlar. Filtrelerin tasarımı filtre uygulama sürecinden ayrı olduğundan filtreler yeniden kullanılabilir. Örneğin, tahmin için kullanılan verilerle sık sık çalışıyorsanız, birden çok modeli eğitmek ve karşılaştırmak için çeşitli hareketli ortalama filtre türleri tasarlarsanız. Filtreyi diğer denemelere veya farklı veri kümelere uygulamak için de kaydedebilirsiniz.

Filtre Uygula'yi yapılandırma

1. Filtre Uygula modülünü denemenize ekleyin. IIR filtre modülünü Veri Dönüştürme'nin altında Filtreler kategorisinde bulabilirsiniz.

2. Sağ girişe, sayısal değerler içeren bir veri kümesine tek bir girişe bağlanın.

3. Sol girişe var olan bir filtreyi bağlamanız gerekir. Kaydedilmiş bir filtreyi yeniden kullanabilir veya filtreyi yapılandırmak için aşağıdaki filtre modüllerinden birini kullanabilirsiniz: EşikFiltresi, Hareketli Ortalama Filtre, Ortal Filtresi, IIR Filtresi, FIR Filtresi, Kullanıcı Tanımlı Filtre.

4. Filtre Uygula'nınÖzellikler bölmesinde Sütun seçiciyi başlat'a tıklayın ve filtrenin uygulanması gereken sütunları seçin.

5. Denemeyi çalıştırın veya Filtre Uygula'ya sağ tıklayın ve Seçiliçalıştır'a tıklayın.

Sonuçlar

Çıkış yalnızca seçili sütunlarda belirtilen önceden tanımlanmış matematik dönüşümü uygulanarak dönüştürülen verileri içerir.

Veri kümesinde diğer sütunları görmek için Sütun Ekle modülünü kullanarak özgün ve filtrelenmiş veri kümelerini birleştirebilirsiniz.

Örnekler

Filtrelerin makine öğrenmesinde nasıl kullanıldıklarının örnekleri için bkz . Azure Yapay Zeka Galerisi:

• Filtreler: Mühendislik uygulanmış bir dalga biçimli veri kümesi kullanarak tüm filtre türlerini gösterir.

Teknik notlar

Bu bölümde uygulama ayrıntıları, ipuçları ve sık sorulan soruların yanıtları yer almaktadır.

• Filtre Uygula modülü , belirtilen filtre türünü seçili sütunlara bağlar. Farklı sütunlara farklı filtre türleri uygulamak gerekirse sütunları yalıtmak ve farklı filtre türlerini ayrı iş akışlarına uygulamak için Veri Kümesinde Sütunları Seç seçeneğini kullanmelisiniz. Daha fazla bilgi için bkz . Veri Kümesinde Sütunları Seçme.

• Filtreler, filtreden etkilenmez veri sütunlarını geçmez. Diğer bir ifadeyle Filtre Uygula çıkışı yalnızca dönüştürülmüş sayısal değerleri içerir. Ancak, dönüştürülmüş değerleri kaynak veri kümesiyle birleştirmek için Sütun Ekle modülünü kullanabilirsiniz.

Dönemleri filtreleme

Filtre dönemi, kısmen filtre türüne göre aşağıdaki gibi belirlenir:

• Sonlu yanıt (FIR), basit hareketli ortalama ve üçgen hareketli ortalama filtreleri için filtre süresi sonlu olur.

• Sonsuz sonsuz yanıt (IIR), üstel hareketli ortalama ve toplu hareketli ortalama filtreleri için filtre süresi sonsuzdur.

• Eşik filtreleri için filtre dönemi her zaman 1'tir.

• Filtre süresine bakılmaksızın ortasık filtreler için, Giriş sinyalinde NaN'ler ve eksik değerler çıkışta yeni NaN'ler üretmez.

Eksik değerler

Bu bölümde, filtre türüne göre eksik değerlerle karşılaşıldıklarında davranış açıklandı. Genel olarak, bir filtre giriş veri kümesinde bir NaN veya eksik bir değerle karşılaştığında, filtre dönemine bağlı olarak çıkış veri kümesi sonraki birkaç örnek için NaN'lerle birlikte yok olur. Bunun aşağıdaki sonuçları vardır:

• FIR, basit hareketli ortalama veya üçgen hareketli ortalama filtrelerin sınırlı bir süresi vardır. Sonuç olarak, eksik değerlerin ardından filtre sırasına eşit bir sayıda NaN elde edilecektir.

• IIR, üstel hareketli ortalama veya kümülatif hareketli ortalama filtrelerin sonsuz bir süresi vardır. Sonuç olarak, ilk eksik değerle karşılaşıldıktan sonra NaN'ler süresiz olarak yayılmaya devam eder.

• Eşik filtresinde eşik filtresinin süresi 1'tir. Sonuç olarak, eksik değerler ve NaN'ler yayılmaz.

• Ortan filtreleri için, giriş veri kümesinde karşılaşılan NaN'ler ve eksik değerler, filtre süresine bakılmaksızın çıkışta yeni NaN'ler üretmez.

Beklenen girişler

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.

Modül parametreleri

Çıktı

Ayrıca bkz.

Filtrele
A-Z modül listesi