Partager via

liste A-Z de modules Machine Learning Studio (classiques)

  • Article

Important

Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.

À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Conseil

Les clients qui utilisent ou évaluent actuellement Machine Learning Studio (classique) sont encouragés à essayer le concepteur Azure Machine Learning, qui fournit des modules ML par glisser-déposer plus la scalabilité, la gestion de versions et la sécurité de l’entreprise.

Les modules couvrent un large éventail de fonctionnalités et de fonctions nécessaires pour Machine Learning tâches :

  • Fonctions de conversion de données
  • Fonctions de transformation des données
  • Modules pour l’exécution de script R ou python
  • Les algorithmes, notamment :
    • Arbres de décision
    • Forêts décisionnelles
    • Clustering
    • Série chronologique
    • Modèles de recommandation
    • Détection des anomalies

Pour rechercher un module :

  • Si vous connaissez le nom du module, utilisez la table alphabétique comme index pour rechercher rapidement un module ou un algorithme spécifique.
  • Pour obtenir la liste des modules par catégorie fonctionnelle, consultez catégories et descriptionsde modules.

Tableau alphabétique des modules

Nom du module Description
Ajouter des colonnes Ajoute un ensemble de colonnes d’un jeu de données à un autre.
Ajouter des lignes Ajoute un ensemble de lignes d’un jeu de données d’entrée à la fin d’un autre jeu de données.
Appliquer un filtre Applique un filtre aux colonnes spécifiées d’un DataSet.
Appliquer une opération mathématique Applique une opération mathématique aux valeurs de colonne.
Appliquer une transformation SQL Exécute une requête SQLite sur les jeux de données d’entrée pour transformer les données.
Appliquer une transformation Applique une transformation de données bien spécifiée à un DataSet.
Attribuer des données à des clusters Affecte des données à des clusters à l’aide d’un modèle de clustering formé existant.
Bayesian Linear Regression Crée un modèle de régression linéaire bayésienne.
Régression d’arbre de décision boosté Crée un modèle de régression à l’aide de l’algorithme d’arbre de décision optimisé.
Créer une transformation de comptage Crée des nombres à utiliser pour générer des fonctionnalités.
Nettoyer les données manquantes Spécifie comment gérer les valeurs manquantes dans un DataSet.
Détourer les valeurs Détecte les valeurs hors norme, puis découpe ou remplace leurs valeurs.
Calculer des statistiques élémentaires Calcule les statistiques de résumé spécifiées pour les colonnes de DataSet sélectionnées.
Détecter les langues Détecte la langue de chaque ligne du fichier d’entrée.
Calculer une corrélation linéaire Calcule la corrélation linéaire entre les valeurs de colonne dans un DataSet.
Convert to ARFF Convertit l’entrée de données au format de fichier de relation d’attribut utilisé par l’ensemble d’outils weka.
Convertir au format CSV Convertit les données d’entrée au format de valeurs séparées par des virgules.
Convertir en jeu de données Convertit l’entrée de données au format de jeu de données interne utilisé par Machine Learning.
Convertir en valeurs d’indicateur Convertit des valeurs catégoriques en colonnes en valeurs d’indicateur.
Convert to SVMLight Convertit l’entrée de données au format utilisé par l’infrastructure SVMlight.
Convert to TSV Convertit l’entrée de données au format délimité par des tabulations.
Create R Model Crée un modèle R à l’aide de ressources personnalisées.
Modèle de validation croisée Valide de façon croisée les estimations de paramètre pour les modèles de classification ou de régression en partitionnant les données.
Régression de forêt d’arbres décisionnels Crée un modèle de régression à l’aide de l’algorithme de la forêt de décision.
Détecter les langues Détecte la langue de chaque ligne du fichier d’entrée.
Modifier des métadonnées Modifie les métadonnées associées aux colonnes d’un DataSet.
Entrer des données manuellement Permet d’entrer et de modifier de petits jeux de données en tapant des valeurs.
Évaluer le modèle Évalue un modèle de classification ou de régression noté à l’aide de mesures standard.
Évaluer une fonction de probabilité Ajuste une fonction de distribution de probabilité spécifiée à un jeu de données.
Évaluer le générateur de recommandations Évalue la précision des prédictions de modèle de recommandation.
Exécuter un script Python exécute un script Python à partir d’une expérience Machine Learning.
Exécuter un script R exécute un script R à partir d’une expérience Machine Learning.
Exporter une table de comptage Exports à partir d’une transformation de comptage.
Exporter les données écrit un dataset dans des url web ou dans différentes formes de stockage basé sur le cloud dans Azure, telles que des tables, des objets blob et des bases de données de Azure SQL.

Ce module était auparavant nommé writer.
Extraire les phrases clés d’un texte Extrait des mots clés et des expressions d’une colonne de texte.
Extraire les caractéristiques de N-grammes du texte Crée des fonctionnalités de dictionnaire N-Gram, puis effectue la sélection des fonctionnalités sur celles-ci.
Régression quantile de forêt rapide Crée un modèle de régression quantile.
Hachage des caractéristiques Convertit des données texte en fonctionnalités encodées en entier à l’aide de la bibliothèque vowpal Wabbit.
Sélection de caractéristiques par filtrage Identifie les fonctionnalités d’un jeu de données qui ont la plus grande puissance prédictive.
Filtre FIR Crée un filtre à réponse impulsionnelle finie pour le traitement du signal.
Analyse discriminante linéaire de Fisher Identifie la combinaison linéaire de variables de fonctionnalité qui peut regrouper les données dans des classes distinctes.
Group Categorical Values Regroupe les données de plusieurs catégories dans une nouvelle catégorie.
Grouper des données dans des compartiments Place les données numériques dans des emplacements.
Filtre IIR Crée un filtre à réponse impulsionnelle infinie pour le traitement du signal.
Importer une table de comptage Imports à partir d’une table de nombres existante.
Importer des données charge des données à partir de sources externes sur le web ou de différentes formes de stockage basé sur le cloud dans Azure, telles que des tables, des objets blob, des bases de données SQL et des Azure Cosmos DB. peut charger des données à partir d’une base de données SQL Server locale si une passerelle a été configurée.

Ce module était auparavant nommé Reader.
Importer des images Charge des images à partir du stockage d’objets BLOB Azure dans un jeu de données.
Joindre des données Joint deux jeux de données.
Clustering k-moyennes Configure et initialise un modèle de clustering K-signifiant.
Allocation de Dirichlet latente Exécute la modélisation de rubrique à l’aide de la bibliothèque Wabbit vowpal pour l’allocation de Dirichlet latentes (thèmes LDA).
Régression linéaire Crée un modèle de régression linéaire.
Charger un modèle entraîné Obtient un modèle formé que vous pouvez utiliser pour la notation dans une expérience.
Median Filter Crée un filtre médian utilisé pour lisser les données pour l’analyse des tendances.
Fusionner une transformation de comptage Fusionne deux ensembles de tables de nombres.
Modifier les paramètres de table de comptage Génère un ensemble compact de fonctionnalités basées sur le nombre à partir des tables de nombres.
Moving Average Filter Crée un filtre de moyenne mobile qui lisse les données pour l’analyse des tendances.
Forêt d’arbres décisionnels multiclasse Crée un modèle de classification multiclasse à l’aide de l’algorithme de la forêt de décision.
Multiclass Decision Jungle Crée un modèle de classification multiclasse à l’aide de l’algorithme de jungle de décision.
Régression logistique multiclasse Crée un modèle de classification de régression logistique multiclasse.
Réseau neuronal multiclasse Crée un modèle de classification multiclasse à l’aide d’un algorithme de réseau neuronal.
Reconnaissance d’entité nommée Reconnaît les entités nommées dans une colonne de texte.
Régression de réseau neuronal Crée un modèle de régression à l’aide d’un algorithme de réseau neuronal.
Normaliser les données Redimensionne les données numériques pour contraindre les valeurs de jeu de données à une plage standard.
Machine à vecteurs de support à une classe Crée un modèle de machine à vecteurs de support à une classe pour la détection d’anomalie.
Une versus toutes les multiclasses Crée un modèle de classification multiclasse à partir d’un ensemble de modèles de classification binaire.
Ordinal Regression Crée un modèle de régression ordinale.
Partition et échantillon Crée plusieurs partitions d’un DataSet en fonction de l’échantillonnage.
Importance de la fonctionnalité de permutation Calcule les scores d’importance des fonctionnalités de permutation des variables de fonctionnalité dans un modèle formé et un jeu de données de test.
Détection des anomalies basée sur l'analyse en composantes principales (ACP) Crée un modèle de détection d’anomalies à l’aide de l’analyse des composants principaux (PCA).
Régression de poisson Crée un modèle de régression qui suppose que les données ont une distribution de poisson.
Pré-traiter le texte Effectue des opérations de nettoyage sur du texte.
Classification d’image en cascade préformée Crée un modèle de classification d’image préformée pour les faces frontales à l’aide de la bibliothèque OpenCV.
Analyse en composantes principales Calcule un ensemble de fonctionnalités qui ont une dimensionnalité réduite pour une formation plus efficace.
Supprimer les données en double Supprime les lignes en double d’un jeu de données.
Replace Discrete Values Remplace des valeurs discrètes d’une colonne par des valeurs numériques basées sur une autre colonne.
Noter la recommandation Matchbox Évalue les prédictions pour un jeu de données à l’aide du conseiller Matchbox.
Noter le modèle Évalue les prédictions pour un modèle de classification ou de régression formé.
Scorer le modèle Vowpal Wabbit 7-4 Évalue les données à l’aide du système vowpal Wabbit Machine Learning.

Requiert un modèle formé créé à l’aide des versions 7-4 et 7-6 de vowpal Wabbit.
Scorer le modèle Vowpal Wabbit 7-10 Évalue les données à l’aide du système vowpal Wabbit Machine Learning.

Nécessite un modèle formé créé à l’aide de vowpal Wabbit version 7-10.
Scorer le modèle Vowpal Wabbit 8 Évalue les données à l’aide du système de Machine Learning Wabbit vowpal à partir de l’interface de ligne de commande.

Nécessite un modèle formé créé à l’aide de vowpal Wabbit version 8.
Sélectionner des colonnes dans le jeu de données Sélectionne les colonnes à inclure ou à exclure d’un DataSet dans une opération.
SMOTE Augmente le nombre d’exemples à faible incidence dans un jeu de données à l’aide du suréchantillonnage minoritaire synthétique.
Fractionner les données Partitionne les lignes d’un jeu de données en deux jeux distincts.
Résumer les données Génère un rapport de statistiques descriptives de base pour les colonnes d’un DataSet.
Sweep Clustering Effectue un balayage de paramètre sur un modèle de clustering pour déterminer les paramètres optimaux des paramètres.
Tester l’hypothèse à l’aide de T-test Compare les moyennes de deux jeux de données à l’aide d’un test t.
Threshold Filter Crée un filtre de seuil qui limite les valeurs.
Détection des anomalies de série chronologique Apprend une tendance dans les données de séries chronologiques, puis utilise la tendance pour détecter les anomalies.
Former le modèle de détection des anomalies Forme un modèle de détection d’anomalie, puis étiquette les données du jeu d’apprentissage.
Entraîner un modèle de clustering Forme un modèle de clustering, puis affecte les données du jeu d’apprentissage aux clusters.
Former la recommandation Matchbox Forme une recommandation bayésienne à l’aide de l’algorithme Matchbox.
Former le modèle Forme un modèle de classification ou de régression de manière supervisée.
Entraîner le modèle Vowpal Wabbit 7-4 Forme un modèle à partir du système vowpal Wabbit Machine Learning.

Ce module est destiné à la compatibilité avec les versions 7-4 et 7-6 de vowpal Wabbit.
Entraîner le modèle Vowpal Wabbit 7-10 Forme un modèle à partir du système vowpal Wabbit Machine Learning.

Ce module est destiné à la version 7-10 de vowpal Wabbit.
Entraîner le modèle Vowpal Wabbit 8 Forme un modèle à l’aide de la version 8 du système vowpal Wabbit Machine Learning.

Ce module est destiné à la version 8 de vowpal Wabbit.
Optimiser les hyperparamètres du modèle Effectue un balayage de paramètre sur un modèle de régression ou de classification pour déterminer les paramètres optimaux des paramètres.
Perceptron moyenné à deux classes Crée un modèle de classification binaire Perceptron en moyenne.
Two-Class Bayes Point Machine Crée un modèle de classification binaire d’ordinateur Bayes point.
Arbre de décision optimisé à deux classes Crée un classifieur binaire à l’aide d’un algorithme d’arbre de décision optimisé.
Forêt d’arbres décisionnels à deux classes Crée un modèle de classification à deux classes à l’aide de l’algorithme de la forêt de décision.
Two-Class Decision Jungle Crée un modèle de classification à deux classes à l’aide de l’algorithme de jungle de décision.
LD-SVM à deux classes Crée un modèle de classification binaire à l’aide de l’algorithme de machine à vecteurs de support profond localement.
Régression logistique à deux classes Crée un modèle de régression logistique à deux classes.
Réseau neuronal à deux classes Crée un classifieur binaire à l’aide d’un algorithme de réseau neuronal.
Machine à vecteurs de support à deux classes Crée un modèle de classification binaire à l’aide de l’algorithme de machine à vecteurs de support.
Décompresser des jeux de données compressés Décompresse les jeux de données d’un package .zip dans le stockage utilisateur.
Filtre défini par l'utilisateur Crée un filtre de réponse impulsionnelle fini ou infini personnalisé.

Voir aussi