azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估

本文演示如何使用azure studio基于云测试数据创建第一个machine learning的experiment,算法选择是线性回归。
首先要有一个azure studio账号,登录后进入dashboard。




创建一个BLANK的Experiment

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第1张图片


添加测试数据 , 搜索Price, 选择Automibile price data(Raw)
azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第2张图片




把这个模块拖到右边的data item位置

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第3张图片


搜索Project column模块,拖到右边,在Project columns中点击 'Launch column selector'
azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第4张图片




希望以所有列作为映射的输入,过滤掉normalized-losses列,如下配置

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第5张图片



现在要过滤掉一些无效数据所在的行,搜索clean missing data->选择模块拖到右边->点击模块->将cleaning mode选择为remove entire row

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第6张图片



点击Launch Column selector,选择一些列

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第7张图片



再次搜索并添加Project columns 模块,拖到右边,点击launch columns selector ,

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第8张图片



选择price即可,因为接下来只是对price列进行预测,其他列只作为算法的培训数据。

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第9张图片



添加一个split模块,目的是将测试数据分开使用,本例中以80%作为培训数据,20%的数据作为测试数据,计算验证结果的准确程度。在本模块中,设置作为学习数据的百分比以及随机种子。

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第10张图片


接下来添加算法模块,搜索'regression‘,在回归算法中选择线性回归,拖到右边

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第11张图片



添加train model,使用测试数据进行学习

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第12张图片



点击’Launch Column Selector‘,选择输出的列,这里依然为'price'

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第13张图片



 
现在可以点击下面的'run'进行运行。


最后,添加score module,链接上面train model和之前的split module输出的第二个dataset,用于误差分析

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第14张图片



添加evaluate module,进行结果评估

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第15张图片


点击'run'进行运行。


右键 Evaluate Module -> Evaluate Results -> visualize ,可以看到本次Experiment的精确程度

azure Machine learing studio 使用示例之 - 使用线性回归算法完成预测评估_第16张图片


你可能感兴趣的:(Microsoft,Azure)