Обучение модели классификации
Classification model training
Last updated
Classification model training
Last updated
Элемент позволяет обучить модель классификации данных. Модель обучается на основе входных данных (файл CSV), где должны быть заданы категории классификации и относящиеся к ним наборы данных. Для обучения модель будет использовать алгоритм, указанный вами в свойствах элемента.
В результате выполнения элемента вы получите обученную модель — файл, который способен распознавать определенные типы закономерностей.
Символ * в названии свойства указывает на обязательность заполнения. Описание общих свойств см. в разделе Свойства элемента.
Имя файла* [String] — путь к файлу CSV, содержащему данные для обучения. Пример: System.IO.Path.Combine(_Workflow.ProjectPath, "Data\\file_name.csv").
Номер основной колонки* [Int32] — номер колонки, содержащей категории классификации (классы). Значение по умолчанию: 0.
Номер колонок данных* [String] — номера колонок, содержащих данные. Значение по умолчанию: "1-4".
Разделитель* [String] — разделитель колонок CSV. Значение по умолчанию: ";".
Путь к модели* [String] — путь сохранения файла модели. Пример: System.IO.Path.Combine(_Workflow.ProjectPath, "Models\\model.ml").
Тип алгоритма* — тип алгоритма обучения модели. Чтобы выбрать нужный тип, кликните по списку значений параметра. Доступные значения:
Maximum_Entropy — значение по умолчанию. Максимальная энтропия — это метод машинного обучения, основанный на принципе максимизации энтропии (несоразмерности) для получения наиболее вероятностного распределения данных. Метод позволяет учесть все доступные данные при построении модели и делает ее более обобщенной. Алгоритм максимальной энтропии широко используется в области обработки естественного языка, классификации текстов, анализа тональности и других задач, где важна точность предсказания и учет всех доступных данных.
Naive_Bayes — метод машинного обучения, основанный на теореме Байеса. Использует вероятностные методы. Метод предполагает независимость между признаками (наивное предположение), что позволяет эффективно работать с данными, имеющими большое количество признаков. Применение алгоритма Naive Bayes широко распространено в задачах классификации текстов, фильтрации спама, анализе тональности текстов, а также в других областях, где важно эффективно работать с большим количеством признаков.
One_Versus_All_Averaged_Perceptron — метод «Один против всех, усредненный персептрон» используется для решения задач многоклассовой классификации и эффективен в случаях, когда количество классов велико. Этот алгоритм является модификацией классического алгоритма персептрона и позволяет работать с множеством классов, разделяя их на пары «один против всех». Метод позволяет строить несколько бинарных классификаторов, что упрощает задачу классификации объектов, относящихся к разным классам.
One_Versus_All_Fast_Forest — алгоритм обучения «Один против всех, быстрый лес» является модификацией алгоритма случайного леса, который используется для решения задач многоклассовой классификации. Сочетает в себе преимущества метода случайного леса (устойчивость к переобучению, способность работать с большими объемами данных) и метода One-Versus-All (эффективное решение задач многоклассовой классификации). Этот алгоритм может быть эффективным инструментом для решения сложных задач классификации с множеством классов.
Результат [Aura.MachineLearning.Model.ClassificationTrainingResult] — результат обучения модели.
Чтобы применить обученную модель для классификации данных, воспользуйтесь элементом Классификация.
На странице Learning доступен RPA-проект, демонстрирующий работу элемента.
Скачайте архив со всеми обучающими материалами по ссылке: Скачать архив Learning.
Распакуйте архив и откройте в Primo Studio проект MachineLearning.
Выберите процесс Classification.ltw для просмотра.
