Machine Learning - Modeli Başlatma

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Bu makalede, Machine Learning Studio'daki (klasik) makine öğrenmesi modelini tanımlamak ve parametrelerini ayarlamak için kullanabileceğiniz modüller açıklanmıştır.

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Eğitilmemiş modeli , farklı giriş veri kümelerini uygulayabilecek bir belirtim olarak düşünebilirsiniz. Farklı verilere aynı model belirtimlerini uygulayabilir ve farklı sonuçlar eldeabilirsiniz. Veya modeli yeniden eğitmeye yönelik belirtimi kullanabilirsiniz. Daha sonra yeni veriler ebilirsiniz.

Bu makalede ayrıca Machine Learning Studio'da (klasik) model oluşturma, eğitma, değerlendirme ve puanlama süreci de açıklanmıştır.

Machine Learning Studio'da makine öğrenmesi modelleri oluşturma ve kullanma (klasik)

Makine öğrenmesi için tipik iş akışı şu aşamaları içerir:

  • Uygun bir algoritma seçin ve başlangıç seçeneklerini ayarlayın.
  • Uyumlu verileri kullanarak modeli eğitin.
  • Modelde desenleri temel alan yeni verileri kullanarak tahminler oluşturun.
  • Tahminlerin doğru olup olmadığını, hata miktarını ve fazla uygun olup olmadığını belirlemek için modeli değerlendirin.

Machine Learning Studio (klasik), makine öğrenmesi için esnek, özelleştirilebilir bir çerçeveyi destekler. Bu işlemde her görev belirli bir modül türü tarafından gerçekleştirilir. Modüller, denemenizin geri kalanını bozmadan değiştirilebilir, eklenebilir veya kaldırılabilir.

İlk algoritmayı seçmek için bu kategorideki modülleri kullanın. Ardından, belirli model türüne göre ayrıntılı parametreler yapılandırarak. Daha sonra bu model belirtimlerini bir veri kümesine uygulayabilirsiniz.

Model oluşturma hakkında

Machine Learning analiz modelleri derlemeye yardımcı olmak için son teknoloji makine öğrenmesi algoritmaları sağlar. Her algoritma kendi modülünde paketlenmiştir. Özelleştirilmiş bir model oluşturmak için:

  1. Kategoriye göre bir model seçin.

    Algoritmalar belirli tahmine dayalı görev türlerine göre gruplanmış. Regresyon, sınıflandırma ve görüntü tanıma buna örnek olarak verilmiştir. İlk göreviniz, gerçekleştirecek makine öğrenmesi görevinin genel kategorisini belirlemek ve ardından bir algoritma seçmektir.

  2. Algoritma parametrelerini yapılandırma.

    Parametreleri ayarlamak için her modülde Özellikler bölmesini kullanın. Parametreler, modelin verilerden nasıl öğren olduğunu kontrol altına almaktadır.

  3. Modeli veri üzerinde eğitin.

    Modeli yapılandırdikten sonra bir veri kümesine bağlanabilirsiniz. Ardından, verileri kullanmak istediğiniz algoritmalar aracılığıyla çalıştırmak için eğitim modüllerinden birini kullanın.

    Tüm olası parametreleri tekrar etmek ve görev ve verileriniz için en uygun yapılandırmayı belirlemek için Model Ayarlama Hiper Parametrelerini kullanabilirsiniz.

  4. Tahminde bulun, puanla veya değerlendirin.

    Modeli oluştur ve eğitdikten sonra genellikle bir sonraki adımınız, modeli temel alan tahminler oluşturmak için puanlama modüllerinden birini kullanmaktır.

    Model değerlendirmesi için modülleri kullanarak modelin doğruluğunu, sizin oluşturduz puanlara göre ölçebilirsiniz.

Modül listesi

Bu kategorideki modüller, modüllerin kapsüllemektedir makine öğrenmesi algoritması türüne göre düzenlenmiştir. Her algoritma türü genellikle farklı bir veri türü gerektirir.

Burada açıklanan geleneksel makine öğrenmesi algoritması kategorilerine ek olarak, aşağıdaki modüller verilerden veya ön işlemeden özelleştirilmiş öğrenme türleri sağlar:

Ayrıca bkz.