Foglio informativo sugli algoritmi di Machine Learning per la finestra di progettazione di Azure Machine Learning
Il foglio informativo sugli algoritmi di Azure Machine Learning aiuta a scegliere il giusto algoritmo dalla finestra di progettazione per un modello di analisi predittiva.
Nota
Designer supporta due tipi di componenti, componenti predefiniti classici (v1) e componenti personalizzati (v2). Questi due tipi di componenti non sono compatibili.
I componenti predefiniti classici forniscono componenti predefiniti principalmente per l'elaborazione dei dati e le attività tradizionali di Machine Learning, come la regressione e la classificazione. Questo tipo di componente continua a essere supportato, ma non avrà nuove aggiunte future.
I componenti personalizzati consentono di eseguire il wrapping del codice personalizzato come componente. Supporta la condivisione di componenti tra aree di lavoro e la creazione semplice tra interfacce studio, interfaccia della riga di comando v2 e SDK v2.
Per i nuovi progetti, è consigliabile usare un componente personalizzato, compatibile con AzureML V2 e che continuerà a ricevere nuovi aggiornamenti.
Questo articolo si applica ai componenti predefiniti classici e non compatibili con l'interfaccia della riga di comando v2 e l'SDK v2.
Azure Machine Learning dispone di una vasta libreria di algoritmi della classificazione, dei sistemi di raccomandazione, del clustering, del rilevamento anomalie, della regressione e delle famiglie di analisi del testo . Ognuno è progettato per risolvere un tipo diverso di problema di Machine Learning.
Per altre informazioni, vedere Come selezionare gli algoritmi.
Download: Foglio informativo sugli algoritmi di Machine Learning
Scaricare il foglio informativo qui: Foglio informativo sugli algoritmi di Machine Learning (11x17 in.)
Scaricare e stampare il foglio informativo sugli algoritmi di Machine Learning in formato tabloid per averlo sempre a disposizione quando è necessario scegliere un algoritmo.
Come usare il foglio informativo sugli algoritmi di Machine Learning
I consigli offerti in questo foglio informativo sugli algoritmi sono regole empiriche puramente indicative. Alcuni possono essere modificati, altri totalmente ignorati. Questo foglio informativo è destinato a suggerire un punto di partenza. È anche possibile provare a eseguire un confronto in parallelo tra diversi algoritmi sui dati. Non esiste semplicemente alcun sostituto per comprendere i principi di ogni algoritmo e il sistema che ha generato i dati.
Ogni algoritmo di apprendimento automatico ha il proprio stile o bias induttivo. Per un problema specifico, possono essere appropriati diversi algoritmi e un algoritmo può essere più adatto rispetto ad altri. Ma non è sempre possibile sapere in anticipo, che è la scelta migliore. In casi simili, nel foglio informativo sono elencati insieme diversi algoritmi. Una strategia appropriata può essere quella di provare un algoritmo e quindi provarne altri se i risultati del primo non sono soddisfacenti.
Per altre informazioni sugli algoritmi nella finestra di progettazione di Azure Machine Learning, vedere Informazioni di riferimento su algoritmi e componenti.
Tipi di Machine Learning
L'apprendimento automatico si divide in tre categorie principali: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo.
Apprendimento supervisionato
Nell'apprendimento supervisionato ogni punto dati è etichettato con o associato a una categoria o un valore di interesse. Un esempio di un'etichetta di categoria è l'assegnazione di un'immagine come "gatto" o "cane". Un esempio di un'etichetta di valore è il prezzo di vendita associato a un'auto usata. L'obiettivo di apprendimento controllato consiste nello studio di molti esempi etichettati come questi e quindi di essere in grado di eseguire stime sui futuri punti dati, ad esempio l'identificazione di nuove foto con l'animale corretto o l'assegnazione di prezzi di vendita precisi ad altre auto usate. Questo tipo di Machine Learning è utile e diffuso.
Apprendimento non supervisionato
Nell'apprendimento non supervisionato, ai punti dati non sono associate etichette. L'obiettivo di un algoritmo di apprendimento non supervisionato è invece l'organizzazione dei dati in un certo modo o la descrizione della loro struttura. I dati dei gruppi di apprendimento non supervisionati in cluster, come fa K-means, o individuano modi diversi per esaminare dati complessi in modo che risultino più semplici.
Apprendimento per rinforzo
Nell'apprendimento per rinforzo l'algoritmo arriva a scegliere un'azione in risposta a ogni punto dati. Si tratta di un approccio comune in robotica, in cui il set di letture del sensore in un certo momento è un punto dati e l'algoritmo deve scegliere l'azione successiva del robot. Questo approccio è ideale anche per applicazioni "Internet delle cose" (Internet of Things, IoT). L'algoritmo di apprendimento riceve anche un segnale di ricompensa poco dopo, a indicare il livello di correttezza della decisione presa. In base a questo segnale, l'algoritmo modifica la strategia per ottenere la ricompensa più alta.