Machine Learning - Eğit

  • 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, makine öğrenmesi modelini eğitecek Machine Learning Studio'da (klasik) sağlanan modüller açıklanmıştır. Eğitim , önceden tanımlanmış bir modelin parametrelerini kullanarak giriş verilerini analiz etme işlemidir. Bu analizden model desenleri öğrenir ve eğitilmiş bir model şeklinde kaydeder.

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

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

Bu makalede ayrıca model oluşturma, eğitim, değerlendirme ve puanlama için Machine Learning Studio'daki (klasik) genel süreç de açıklanmıştır.

Makine öğrenmesi modelleri oluşturma ve kullanma

Makine öğrenmesi için tipik iş akışı şu aşamaları içerir:

  • Uygun bir algoritma seçme ve başlangıç seçeneklerini ayarlama.
  • Modeli uyumlu veriler üzerinde eğitin.
  • Modelde desenlere göre yeni verileri kullanarak tahminler oluşturma.
  • Tahminlerin doğru olup olmadığını, ne kadar hata olduğunu ve fazla uygun olup olmadığını belirlemek için modeli değerlendirme.

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

Bu kategorideki modüller, farklı model türleri için eğitimi destekler. Eğitim sırasında veriler makine öğrenmesi algoritması tarafından analiz edilir. Bu algoritma, verilerin dağılımını ve türünü analiz eder, istatistikleri derler ve daha sonra tahmin için kullanılmaktadır.

Model eğitimi hakkında daha fazla bilgi

Bir Machine Learning eğitken eksik değerleri olan satırlar atlanır. Bu nedenle, değerleri el ile düzeltmek, imputation kullanmak veya eksik değerleri işlemeye yönelik farklı bir yöntem belirtmek için veri kümesinde eğitimden önce Eksik Verileri Temizleme modülünü kullanın.

Verilerle ilgili diğer sorunları düzeltmek için Meta Verileri Düzenle modülünü kullanmanız önerilir. Etiket sütununu işaretlemeniz, veri türlerini değiştirmeniz veya sütun adlarını düzeltmeniz gerekir.

Normalleştirme, örnekleme, binning ve ölçeklendirme gibi diğer yaygın veri temizleme görevleri için Veri Dönüştürme kategorisine bakın.

Doğru eğitmeni seçme

Modeli eğitmek için kullandığınız yöntem, oluşturmakta olduğunuz modelin türüne ve modelin gerektirdiği veri türüne bağlıdır. Örneğin, Machine Learning algılama modellerini, öneri modellerini ve daha fazlasını eğitecek modüller sağlar.

Senaryo için hangisinin doğru olduğunu belirlemek üzere eğitim modülleri listesini denetleyin.

Modeli eğitirken kullanmak için en iyi parametrelerin ne olduğundan emin değilsanız, parametre tarama ve doğrulama için sağlanan modüllerden birini kullanın:

  • Model Ayarlama Hiperparametreleri , neredeyse tüm sınıflandırma ve regresyon modellerinde parametre tarama gerçekleştirin. Birden çok modeli eğitiyor ve ardından en iyi modeli döndüriyor.

  • Tarama Kümeleme modülü, eğitim işlemi sırasında model ayarlamayı destekler ve yalnızca kümeleme modelleriyle kullanılmak üzere tasarlanmıştır. Bir dizi centroid belirterek en iyi parametreleri otomatik olarak algılayan veriler üzerinde eğitebilirsiniz.

  • Modeli Çapraz Doğrulama modülü, model iyileştirmesi için de yararlıdır, ancak eğitilmiş bir model getirmez. Bunun yerine, en iyi modeli belirlemek için kullanabileceğiniz ölçümler sağlar.

Modelleri yeniden eğitme

Bir üretim modelini yeniden eğitin, denemeyi herhangi bir zamanda yeniden çalıştırabilirsiniz.

Ayrıca web hizmetlerini kullanarak yeniden eğitma işlemini otomatik hale de abilirsiniz. Bir izlenecek yol için bkz. Verilerle Machine Learning yeniden eğit Azure Data Factory.

Önceden eğitilmemiş modelleri kullanma

Machine Learning Önceden Eğitilmemiş Basamaklı Görüntü Sınıflandırma modülü gibi önceden eğitilmemiş bazı modeller içerir. Bu modelleri ek veri girişi olmadan puanlama için kullanabilirsiniz.

Ayrıca, bazı modüller ( Zaman Serisi Anomali Algılama gibi) iLearner biçiminde eğitilmiş bir model oluşturmaz. Ancak bunlar eğitim verilerini alır ve dahili olarak bir model oluşturmaz. Bu model daha sonra tahmin yapmak için kullanılabilir. Bunları kullanmak için parametreleri yapılandırmanız ve veri sağlamanız gerekir.

Eğitilen modelin anlık görüntüsünü kaydetme

Modeli kaydetmek veya dışarı aktarmak için eğitim modülüne sağ tıklayın ve Eğitilen Model Olarak Kaydet'i seçin. Model iLearner biçimine dışarı aktarıldı ve Eğitilen Modeller altında çalışma alanınıza kaydedilir. Eğitilen modeller diğer denemelerde yeniden kullanılabilir veya puanlama için diğer modüllere bağlanabilir.

Depolanmış modeli almak için denemede Eğitilen Modeli Yükle modülünü de kullanabilirsiniz.

Modül listesi

Train kategorisi şu modülleri içerir:

  • Kümelemesi Tarama: En uygun parametre ayarlarını belirlemek için kümeleme modeli üzerinde bir parametre tarama gerçekleştirir ve en iyi modeli eğiter.
  • Anomali Algılama Modelini Eğitin: Bir anomali algılayıcısı modelini eğitin ve eğitim kümesinden verileri etiketler.
  • Kümeleme Modelini Eğitin: Kümeleme modelini eğitin ve eğitim kümesinden kümelere veri atar.
  • Matchbox Önericiyi Eğit: Matchbox algoritmasını kullanarak Bir Bayes önericiyi eğitin.
  • Modeli Eğit: Eğitim kümesinden bir sınıflandırma veya regresyon modeli eğitin.
  • Model Hiper Parametrelerini Ayarlama: En uygun parametre ayarlarını belirlemek için regresyon veya sınıflandırma modelinde parametre tarama gerçekleştirir ve en iyi modeli eğiter.

Bazı modüller özel bir biçime ihtiyaç veya belirli bir görev için özelleştirildikleri için bu kategoride değildir:

Ayrıca bkz.