什么是 MicrosoftML？
将算法与机器学习任务相匹配
将数据转换和机器学习算法与适当的数据科学任务相匹配是设计成功的智能应用程序的关键。
机器学习任务
MicrosoftML包实现了可以执行各种机器学习任务的算法：
- 二元分类：学习预测数据实例属于两个类别中的哪一个的算法。这些提供了监督学习，其中分类算法的输入是一组标记的示例。每个样本表示为一个特征向量，每个标签是一个0或1的整数。二元分类算法的输出是一个分类器，可以用来预测新的未标记实例的标签。
- 多类分类：学习预测数据实例类别的算法。这些提供了监督学习，其中分类算法的输入是一组标记的示例。每个示例都表示为一个特征向量，每个标签是一个介于 0 和 k-1 之间的整数，其中 k 是类数。分类算法的输出是一个分类器，它可以用来预测一个新的未标记实例的标签。
- 回归：学习从一组相关的自变量中预测因变量的值的算法。回归算法对这种关系进行建模，以确定因变量的典型值如何随着自变量值的变化而变化。这些提供了监督学习，其中回归算法的输入是一组具有已知值的因变量的示例。回归算法的输出是一个函数，可用于预测因变量未知的新数据实例的值。
- 异常检测：识别不属于某个目标类或符合预期模式的异常值的算法。一类异常检测是一种无监督学习，因为输入数据仅包含来自目标类的数据，不包含要学习的异常实例。
机器学习算法
下表总结了 MicrosoftML 算法、它们支持的任务、它们的可伸缩性，并列出了一些示例应用程序。
算法 (R/Python) | 支持机器学习任务 | 可扩展性 | 应用示例 |
|---|---|---|---|
rxFastLiner()/rx_fast-linear()快速线性模型(SDCA) | 二元分类，线性回归 | #cols：~1B；#rows：~1B；CPU：多进程 | 抵押贷款默认预测，垃圾邮件过滤 |
rxOneClassSvm()/rx_oneclass-svm()OneClass 支持向量机 | 异常检测 | 列：~1K；#rows：内存绑定；CPU：单进程 | 信用卡欺诈检测 |
rxFastTrees()/rx_fast-trees()快树 | 二元分类、回归 | #cols：~50K；#rows：内存绑定；CPU：多进程 | 破产预测 |
rxFastForest()/rx_fast-forest()快速森林 | 二元分类、回归 | #cols：~50K；#rows：内存绑定；CPU：多进程 | 流失预测 |
rxNeuralNet()/rx_neural_network()神经网络 | 二元和多类分类，回归 | #cols：~10M；#rows：Inf；CPU：多进程 CUDA GPU | 检查签名识别、OCR、点击预测 |
rxLogisticRegression()/rx_logistic-regression()逻辑回归 | 二元和多类分类 | #cols：~100M；#rows：单进程 CPU 的 Inf#rows：多进程 CPU 的 RAM 绑定 | 从反馈中分类情绪 |
数据转换
MicrosoftML还提供转换以帮助定制您的机器学习数据。它们用于清理、整理、训练和评分您的数据。
本文系转载，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文系转载，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。