Aplicar Transformação

Aplica uma transformação de dados bem definida para um conjunto de dados

Categoria: Machine Learning/Pontuação

Visão geral do módulo

Este artigo descreve como usar o módulo Aplicar Transformação no Machine Learning Studio (clássico) para modificar um conjuntos de dados de entrada com base em uma transformação computada anteriormente.

Por exemplo, se você tiver usado pontuações z para normalizar seus dados de treinamento usando o módulo Normalizar dados, também desejará usar o valor de pontuação z que foi calculado para treinamento durante a fase de pontuação. No Machine Learning Studio (clássico), você pode fazer isso facilmente salvando o método de normalização como uma transformação e, em seguida, usando Aplicar Transformação para aplicar a pontuação z aos dados de entrada antes da pontuação.

Machine Learning Studio (clássico) fornece suporte para criar e aplicar muitos tipos diferentes de transformações personalizadas. Por exemplo, talvez você queira salvar e, em seguida, re-usar transformações que fazem o seguinte:

• Remover ou substituir valores ausentes usando Limpar Dados Ausentes

• Bin, dimensionar e normalizar dados usando Normalizar Dados ou Agrupar Dados em Compartimentos

• Crie um conjunto de recursos compactos calculando a distribuição de probabilidade conjunta para um conjunto de dados, usando os módulos Learning com Contagens.

Como usar o Aplicar Transformação

1. Adicione o módulo Aplicar Transformação ao seu experimento. Você pode encontrar o módulo de Machine Learning, na categoria Pontuação.

2. Localize uma transformação existente a ser usada como entrada.

   Se a transformação tiver sido criada anteriormente no experimento (por exemplo, como parte de uma operação de limpeza ou dimensionamento de dados), normalmente o objeto de interface ITransform estará disponível na saída à direita do módulo. Conexão saída para a entrada à esquerda de Aplicar Transformação.

   Transformações salvas anteriormente podem ser encontradas no grupo Transformações no painel de navegação esquerdo.

   Dica

   Se você criar uma transformação para um experimento, mas não salvá-la explicitamente, a transformação estará disponível no workspace, desde que sua sessão seja aberta. Se você fechar a sessão, mas não salvar a transformação, poderá executar o experimento para gerar o objeto de interface ITransform .

3. Conexão o conjuntos de dados que você deseja transformar. O conjunto de dados deve ter exatamente o mesmo esquema (número de colunas, nomes de colunas, tipos de dados) que o conjunto de dados para o qual a transformação foi projetada primeiro.

4. Nenhum outro parâmetro precisa ser definido. Toda a personalização é feita ao definir a transformação.

5. Para aplicar uma transformação ao novo conjuntos de dados, execute o experimento.

Exemplos

Para ver como esse módulo é usado no aprendizado de máquina, consulte o Galeria de IA do Azure:

• Detecção de fraudes online: este exemplo demonstra como usar Aplicar Transformação com Limpar Dados Ausentes, para garantir que os valores ausentes sejam tratados da mesma forma em todos os conjuntos de dados.

• Manutenção preditiva: demonstra como usar Aplicar Transformação com Normalizar Dados.

• Learning com Contagens: usa Aplicar Transformação para reutilizar uma tabela de contagem.

Observações técnicas

O módulo Aplicar Transformação pode usar como entrada a saída de qualquer módulo que cria uma interface ITransform. Esses módulos incluem:

• Limpar Dados Ausentes

• Normalizar Dados

• Agrupar Dados em Compartimentos

• Aprendendo com contagens

Entradas esperadas

Saídas

Exceções

Para ver uma lista de erros específicos dos módulos do Studio (clássico), consulte Machine Learning Códigos de erro.

Para ver uma lista de exceções de API, consulte Machine Learning códigos de erro da API REST.

Confira também

Filter
Aplicar Transformação SQL
Limpar Dados Ausentes
Normalizar Dados
Lista de Módulo A-Z
Agrupar Dados em Compartimentos