Überblick über das Toolset "Feature- und Tabellenanalyse"
Das Toolset "Feature- und Tabellenanalyse" enthält Werkzeuge zum Anwenden von Algorithmen für maschinelles Lernen und Deep Learning auf Feature- oder Tabellendaten.
Das Werkzeug Mit AutoML trainieren verwendet automatisiertes maschinelles Lernen (AutoML), um Modelle für maschinelles Lernen mit Trainingsdaten und den verfügbaren Rechenressourcen zu trainieren und zu optimieren. Die trainierten Modelle können in Mit AutoML vorhersagen zum Vorhersagen sowohl kategorialer Variablen (Klassifizierung) als auch kontinuierlicher Variablen (Regression) verwendet werden.
Das Training von Modellen für maschinelles Lernen (ML) war bislang ein komplexer Prozess, der spezielles Wissen über verschiedene Modelltypen und die Optimierung ihrer Parameter (sogenannter Hyperparameter) erforderte, um die besten Ergebnisse zu erzielen. Dabei handelt es sich um einen iterativen Prozess, mit dem das genaueste Modell und die geeigneten Hyperparameter anhand von mehreren Experimenten bestimmt werden müssen. Mit den AutoML-Werkzeugen wird dieser Prozess ohne Programmierung automatisiert. Dabei bieten sie Einblicke in die Performance und die Hyperparameter der trainierten Modelle sowie Erkenntnisse dazu, welche Features den größten Einfluss auf die Modellergebnisse haben.
Fehlende Werte mithilfe eines KI-Modells vorhersagen ersetzt fehlende Werte (NULL) in einer Feature-Class oder Tabelle, indem es automatisch ein Modell für maschinelles Lernen oder ein Deep-Learning-Modell anhand der verfügbaren Daten trainiert und dieses zur Schätzung fehlender numerischer Werte anwendet. Es ist für die Datenaufbereitung konzipiert und wird üblicherweise vor Workflows wie "Mit AutoML trainieren" eingesetzt, um die Performance und Stabilität des Modells zu verbessern.
Werkzeuge im Toolset "Feature- und Tabellenanalyse"
|
Werkzeug |
Beschreibung |
|---|---|
|
Ersetzt fehlende Werte (NULL) durch geschätzte Feature-Werte. Es nutzt Modelle des maschinellen Lernens und Deep-Learning-Modelle, die anhand von Mustern im Dataset trainiert wurden, um statistische Konsistenz zu gewährleisten. |
|
|
Mit diesem Werkzeug werden kontinuierliche Variablen (Regression) oder Kategorievariablen (Klassifizierung) für nicht bekannte kompatible Datasets mithilfe eines trainierten |
|
|
Trainiert ein Deep-Learning-Modell, indem Training-Pipelines erstellt und ein Großteil des Trainingsprozesses automatisiert wird. Dazu gehören explorative Datenanalyse, Feature-Auswahl, Feature Engineering, Modellauswahl, Hyperparameter-Optimierung und Modelltraining. Die Ausgaben enthalten Performance-Kennwerte des besten Modells in den Trainingsdaten sowie das trainierte Deep-Learning-Modellpaket ( |