Обзор группы инструментов Анализ объектов и табличных данных
Набор инструментов Анализ объектов и табличных данных содержит инструменты, предназначенные для применения алгоритмов машинного обучения и глубокого обучения к объектам или табличным данным.
Инструмент Обучение с использованием AutoML использует автоматизированное машинное обучение (AutoML) для тренировки и точной настройки моделей машинного обучения с учетом доступных данных и вычислительных ресурсов. Обученные модели можно использовать инструментом Прогноз с использованием AutoML для прогнозирования как категорийных (классификация), так и непрерывных переменных (регрессия).
Обучение моделей машинного обучения (ML) традиционно представляло собой сложный процесс, требующий специальных знаний о различных типах моделей и способах точной настройки их параметров (известных как гиперпараметры) для получения наилучших результатов. Это итеративный процесс, который требует проведения ряда экспериментов, прежде чем можно будет вычислить наиболее точную модель и соответствующие ее гиперпараметры. Инструменты AutoML позволяют автоматизировать этот процесс без необходимости написания кода. При этом они обеспечивают видимость производительности и гиперпараметров обученных моделей, а также понимание того, какие объекты оказывают наибольшее влияние на результаты модели.
Прогнозировать отсутствующие значения, используя модель ИИ заменяет отсутствующие значения (null) в классе объектов или таблице, автоматически обучая модель машинного обучения или глубокого обучения на доступных данных и применяя её для оценки отсутствующих числовых значений. Он предназначен для предварительной обработки данных и часто используется перед обучающими рабочими процессами, такими как Обучение с использованием AutoML, для повышения производительности и стабильности модели.
Инструменты группы Анализ объектов и табличных данных
|
Инструмент |
Описание |
|---|---|
|
Заменяет отсутствующие значения (null) на предполагаемые значения объектов. Использует модели машинного и глубокого обучения, обученные на паттернах в наборе данных для обеспечения статистической согласованности. |
|
|
Прогнозирует непрерывные переменные (регрессия) или категориальные переменные (классификация) на невидимых совместимых наборах данных, используя обученную модель |
|
|
Обучает модель глубокого обучения путем создания конвейеров обучения и автоматизации большей части процесса обучения. Это включает в себя исследовательский анализ данных, выбор объектов, разработку обработку объектов, выбор модели, настройку гиперпараметров и обучение модели. Его выходные данные включают показатели производительности лучшей модели на обучающих данных, а также обученный пакет модели глубокого обучения ( |