Машинное обучение Azure в динамике

Я только начал работать с машинным обучением Azure с помощью Microsoft Azure Machine Learning Studio.

Не могли бы вы посоветовать правильный способ использования модели классификации, чтобы модель могла анализировать окно / интервал с серией информации до того, как она достигнет цели / класса, которые должны быть предсказаны моделью в дальнейшем?

Наша проблема может быть решена только путем анализа всей предыдущей информации в ее динамике / эволюции (например, в зависимости от динамического изменения медицинских результатов Пациента может быть обнаружена некоторая болезнь, включая ее текущую стадию и стадию, которую мы могли бы ожидать в среднесрочной перспективе. ).

Например, во входном файле мы не предоставляем в каждой строке вместе с переменными целевую информацию, она отображается только в строке / момент, когда ситуация созревает для достижения такой цели.

Если уже доступны некоторые материалы / руководства по этой теме в Azure ML или где-то еще, я был бы очень признателен за такую ​​информацию и ссылки.

Заранее благодарим за вашу любезную поддержку!

С уважением, Берик


azure-machine-learning-studio
person Berik    schedule 07.02.2017    source источник

Ответы (1)


arrow_upward
0
arrow_downward

Рассматривая нарушение здоровья как проблему «профилактического обслуживания» человеческого тела, я предлагаю вам ознакомиться с нашими материалами по профилактическому обслуживанию в аэрокосмической отрасли:

Вы можете использовать аналогичный подход для создания новых функций, таких как «заболевание достигнет критической стадии через X месяцев», «количество посещений скорой помощи в прошлом году» и т. Д., Которые можно рассчитать для любой временной точки, чтобы вы могли конвертировать из своих данные временного ряда в фрейм данных с малым отсутствием.

Вы заметите, что по большей части в этих примерах не используются встроенные функции Azure ML для создания функций скользящего окна. С момента написания несколько пользовательских модулей, таких как Generate Lag Features, имеют был выпущен; возможно, некоторые из них будут вам полезны.

При этом описанная вами проблема прогнозирования сложна, и я не знаю, какой точности вы можете разумно надеяться достичь. Чтобы получить помощь в выборе показателей оценки, ознакомьтесь с этим Пособие по науке о данных по профилактическому обслуживанию. Остерегайтесь распространенных ошибок, например «модель», которая неизменно предсказывает, что редкое событие не произойдет, может иметь очень высокую точность.

person mewahl    schedule 07.02.2017