Sayım tablosu parametrelerini değiştir

Sayımlardan özellik oluşturmak için kullanılan parametreleri değiştirir

kategori: sayımlar ile Learning

Modüle genel bakış

bu makalede, bir sayı tablosundan özelliklerin oluşturulma biçimini değiştirmek için Machine Learning Studio 'daki (klasik) sayım tablosu parametrelerini değiştirme modülünün nasıl kullanılacağı açıklanır.

Genel olarak, sayı tabanlı özellikler oluşturmak için, bir veri kümesini işlemek ve bir sayma tablosu oluşturmak üzere derleme sayım dönüşümü kullanın ve bu sayım tablosundan yeni bir özellik kümesi oluşturun.

Ancak, zaten bir Count tablosu oluşturduysanız, Count verilerinin işlenme tanımını düzenlemek için Count tablo parametrelerini değiştirme modülünü kullanabilirsiniz. Bu, veri kümesini yeniden analiz etmenize gerek kalmadan, mevcut verileri temel alan sayı tabanlı farklı istatistikler kümesi oluşturmanızı sağlar.

Değiştirme sayısı parametrelerini yapılandırma

1. Değiştirmek istediğiniz dönüştürmeyi, dönüşümler grubunda bulun ve denemenize ekleyin.

   Daha önce bir Count dönüşümü oluşturmuş bir deneme çalıştırmanız gerekir.

   • Kaydedilmiş bir dönüştürmeyi değiştirmek için: dönüşümleri, dönüşümler grubunda bulun ve denemenize ekleyin.

   • Aynı deneme içinde oluşturulan bir sayı dönüşümünü değiştirmek için: dönüşüm kaydedilmiyorsa, ancak geçerli deneyde çıkış olarak kullanılabiliyorsa (örneğin, derleme sayım dönüştürme modülünün çıkışını kontrol edin), modülleri bağlayarak doğrudan kullanabilirsiniz.

2. Sayım tablosu parametrelerini değiştirme modülünü ekleyin ve dönüştürmeyi giriş olarak bağlayın.

3. Sayım tablosu parametrelerini değiştir modülünün Özellikler bölmesindeçöp kutusu eşiğiolarak kullanılacak bir değer yazın.

   Bu değer, sayımların kullanılabilmesi için her bir özellik değeri için bulunması gereken en az oluşum sayısını belirtir. Değerin sıklığı çöp kutusu eşiğinden azsa, değer etiketi çifti ayrık bir öğe olarak sayılmaz; Bunun yerine, eşik değerinden daha düşük sayı olan tüm öğeler tek bir "çöp kutusu" na yerleştirilir.

   Küçük bir veri kümesi kullanıyorsanız ve aynı verilerde sayım ve eğitim yapıyorsanız, iyi bir başlangıç değeri 1 ' dir.

4. Daha önceki sözde örnekleriçin, eklenecek ek sözde örneklerin sayısını belirten bir sayı yazın. Bu örnekleri sağlamanız gerekmez; sözde örnekler, önceki dağıtıma göre oluşturulur.

5. Laplacıa gürültü ölçeğiiçin, bir Laplacian dağılıcıdan örneklenmiş gürültü tanıtımı için kullanılan ölçeği temsil eden pozitif bir kayan nokta değeri yazın. Bir ölçek değeri ayarladığınızda, bazı kabul edilebilir gürültü düzeyi modele dahil edilir, bu nedenle model veride görünmeyen değerlerden daha az etkilenebilir.

6. Çıkış özellikleri' nde, dönüşüme dahil etmek için sayım tabanlı özellikler oluştururken kullanılacak yöntemi seçin.

   • Countsonly: sayıları kullanarak özellik oluşturun.

   • Logo ddsonly: gürültü oranının günlüğünü kullanarak özellik oluşturun.

   • Bothcountsandlogodds: her iki sayıyı ve günlük Odd 'yi kullanarak özellik oluşturun.

7. Özellik oluştururken çıktıda bayrağı geçersiz kılmak IsBackOff istiyorsanız geri alma sütununu yoksay seçeneğini belirleyin. Bu seçeneği belirlediğinizde, sütun önemli sayı değerlerine sahip olmasa da, sayı tabanlı özellikler oluşturulur.

8. Denemeyi çalıştırın. Daha sonra, değişiklik sayısı tablo parametrelerinin çıkışını isterseniz yeni bir dönüşüm olarak kaydedebilirsiniz.

Örnekler

Bu modülün nasıl kullanılacağına ilişkin örnekler için Azure yapay zeka Galerisibakın:

• sayımlar ile Learning: ikili sınıflandırma: bir ikili sınıflandırma modeli için kategorik değer sütunlarından özellikler oluşturmak üzere sayımlar ile öğrenme modüllerini nasıl kullanacağınızı gösterir.

• sayımlar Learning: nyc taxı verileri ile birden çok lass sınıflandırması: örnek, genel olarak kullanılabilir nyc taxı veri kümesinde birden çok lass sınıflandırması gerçekleştirmek için, sayımlarla öğrenme modülleriyle nasıl kullanılacağını gösterir. Örnek, bu sorunu modellemek için çok Lass lojistik regresyon öğrenici kullanır.

• sayımlar ile Learning: nyc taxı verileri ile ikili sınıflandırma: genel olarak kullanılabilir nyc taxı veri kümesinde ikili sınıflandırma gerçekleştirmek için sayımlarla öğrenme modülleriyle nasıl kullanılacağını gösterir. Örnek, bu sorunu modellemek için iki sınıflı bir lojistik regresyon öğrenici kullanır.

Teknik notlar

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

Laplacıa gürültü ölçeği parametresini ayarlarsanız aynı veri kümesini saymak ve eğilmesi istatistiksel olarak güvenlidir.

Beklenen girişler

Modül parametreleri

Çıkışlar

Özel durumlar

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

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

Ayrıca bkz.

Learning ile birlikte