Machine Learning-algoritmusokkal kapcsolatos hasznos tanácsok az Azure Machine Learning Designerhez
Az Azure Machine Learning Algorithm Cheat Sheet segítségével kiválaszthatja a megfelelő algoritmust a tervezőtől egy prediktív elemzési modellhez.
Megjegyzés
Tervező kétféle összetevőt támogat: a klasszikus előre összeállított összetevőket (v1) és az egyéni összetevőket (v2). Ez a két összetevőtípus NEM kompatibilis.
A klasszikus előre összeállított összetevők előre összeállított összetevőket biztosítanak, főként adatfeldolgozási és hagyományos gépi tanulási feladatokhoz, például regresszióhoz és besoroláshoz. Ez az összetevőtípus továbbra is támogatott marad, de nem lesznek új összetevők hozzáadva.
Az egyéni összetevők lehetővé teszik, hogy a saját kódját összetevőként burkolja. Támogatja az összetevők munkaterületek közötti megosztását, valamint a zökkenőmentes létrehozást a Studio, a CLI v2 és az SDK v2 interfészek között.
Új projektek esetén javasoljuk, hogy egyéni összetevőt használjon, amely kompatibilis az AzureML V2-vel, és továbbra is új frissítéseket fog kapni.
Ez a cikk a klasszikus előre összeállított összetevőkre vonatkozik, és nem kompatibilis a CLI v2-vel és az SDK v2-vel.
Az Azure Machine Learning a besorolási, az ajánlórendszerek, a fürtözés, az anomáliadetektálási, regressziós és szövegelemzési családok algoritmusainak széles tárával rendelkezik. Mindegyik más típusú gépi tanulási probléma megoldására lett kialakítva.
További információ: Algoritmusok kiválasztása.
Letöltés: Machine Learning-algoritmus – hasznos tanácsok
Töltse le a hasznos tanácsokat itt: Machine Learning Algorithm Cheat Sheet (11x17 in.)
Töltse le és nyomtassa ki a Machine Learning Algorithm Cheat Sheet-t bulvárméretben, hogy kéznél maradjon, és segítséget kapjon az algoritmus kiválasztásához.
A Machine Learning-algoritmusok útmutatójának használata
Az algoritmus-hasznos tanácsok hozzávetőlegesen szabályszerűek. Némelyik hajlítható, mások pedig súlyosan megsérthetők. Ez a hasznos tanács arra szolgál, hogy kiindulópontot javasoljon. Ne féljen fej-fej-fej versenyben több algoritmus között az adatokon. Egyszerűen nem helyettesíti az egyes algoritmusok és az adatokat létrehozó rendszer alapelveinek megértését.
Minden gépi tanulási algoritmus saját stílussal vagy induktív torzítással rendelkezik. Egy adott probléma esetén több algoritmus is megfelelő lehet, és az egyik algoritmus jobban illik a többihez. De nem mindig lehet előre tudni, ami a legjobb választás. Ilyen esetekben több algoritmus is szerepel a csalóban. A megfelelő stratégia egy algoritmus kipróbálása, és ha az eredmények még nem kielégítőek, próbálkozzon a többiekkel.
Az Azure Machine Learning-tervező algoritmusairól az Algoritmus és összetevő referenciában olvashat bővebben.
A gépi tanulás típusai
A gépi tanulásnak három fő kategóriája van: felügyelt tanulás, felügyelet nélküli tanulás és megerősítési tanulás.
Felügyelt tanulás
A felügyelt tanulásban minden adatpont címkével van ellátva, vagy egy érdekes kategóriához vagy értékhez van társítva. Egy kategorikus címke például egy képet "macskaként" vagy "kutyaként" rendel hozzá. Egy értékcímke például a használt autóhoz társított eladási ár. A felügyelt tanulás célja, hogy sok ilyen címkézett példát tanulmányozhasson, majd előrejelzéseket tudjon készíteni a jövőbeli adatpontokról. Például új fényképek azonosítása a megfelelő állattal, vagy pontos eladási árak hozzárendelése más használt autókhoz. Ez a gépi tanulás népszerű és hasznos típusa.
Nem felügyelt tanulás
A nem felügyelt tanulásban az adatpontokhoz nincsenek címkék társítva. Ehelyett egy nem felügyelt tanulási algoritmus célja az adatok valamilyen módon történő rendszerezése vagy a szerkezetének leírása. A nem felügyelt tanulás fürtökbe csoportosítja az adatokat, ahogy a K-közép is teszi, vagy különböző módszereket talál az összetett adatok keresésére, hogy egyszerűbbnek tűnhessenek.
Megerősítő tanulás
A megerősítési tanulás során az algoritmusnak ki kell választania egy műveletet az egyes adatpontra válaszul. Ez a robotika egyik gyakori megközelítése, ahol az érzékelői értékek egy adott időpontban adatpontként vannak beállítva, és az algoritmusnak ki kell választania a robot következő műveletét. Az Eszközök internetes hálózata alkalmazásokhoz is természetes. A tanulási algoritmus rövid idő múlva jutalomjelzést is kap, amely jelzi, hogy milyen jó volt a döntés. Ezen jel alapján az algoritmus módosítja a stratégiáját, hogy a legmagasabb jutalomhoz juthasson.