Azure ML Module List !!! Apply Filter (필터 적용)

모듈 개요

이 자료에서는 AzureMachineLearningStudio(클래식)의 ApplyFilter모듈을 사용하여 이전에 정의된 필터를 적용하여 값 열을 변환하는 방법에 대해 설명합니다. 필터는 노이즈를 줄이거나 패턴을 강조하기 위해 디지털 신호 처리에 사용됩니다. 따라서 변환하는 값은 항상 숫자이며 일반적으로 오디오 또는 시각 신호를 나타냅니다.

다른 종류의 필터를 찾고 계십니까? Studio(클래식)는 이러한 모듈에 데이터 샘플링, 데이터 하위 집합 가져오기, 잘못된 값 제거 또는 테스트 및 교육 세트 생성(분할 데이터, 누락 데이터, 파티션 및 샘플, SQL변환 적용, 클립 값)을 제공합니다. 원본에서 읽은 데이터를 필터링 해야 하는 경우 데이터 가져오기를 참조하십시오. 옵션은 원본 유형에 따라 다릅니다.

데이터 원본에 가장 적합한 필터 유형을 결정한 후에는 매개 변수를 지정하고 적용 필터를 사용하여 데이터 세트를 변환합니다. 필터 설계는 필터를 적용하는 프로세스와는 별개이기 때문에 필터를 재사용할 수 있습니다. 예를 들어 예측에 사용되는 데이터를 자주 사용하는 경우 여러 모델을 교육하고 비교하기 위해 여러 유형의 이동 평균 필터를 설계할 수 있습니다. 또한 필터를 저장하여 다른 실험 또는 다른 데이터 셋에 적용할 수도 있습니다.

 

필터 적용 구성 방법

 

출력에는 지정된 사전 정의된 수학적 변환을 적용하여 변환된 선택한 열에 데이터만 포함됩니다.
데이터 집합에 다른 열을 표시하려면 열 추가 모듈을 사용하여 원래 데이터 집합과 필터링 된 데이터 집합을 병합할 수 있습니다.
원래 열의 값은 삭제되거나 덮어쓰지 않았으며 여전히 실험에서 참조용으로 사용할 수 있습니다. 그러나 필터의 출력은 일반적으로 모델링에 더 유용합니다.

 

기술 노트

ApplyFilter모듈은 지정된 유형의 필터를 선택한 열에 바인딩 합니다. 다른 유형의 필터를 다른 열에 적용해야 하는 경우 데이터 세트에서 열 선택을 사용하여 열을 분리하고 별도의 워크 플로에 다른 필터 유형을 적용해야 합니다. 자세한 내용은 데이터 집합에서 열 선택을 참조하십시오.
필터는 필터의 영향을 받지 않는 데이터 열을 통과하지 않습니다. 즉, ApplyFilter(필터 적용)의 출력에는 변환된 숫자 값만 포함됩니다. 그러나 열 추가 모듈을 사용하여 변환된 값을 소스 데이터 세트와 결합할 수 있습니다.

 

필터 기간

필터 기간은 부분적으로 다음과 같이 필터 유형에 따라 결정됩니다.

• FIR(유한 임펄스 응답), 단순 이동 평균 및 삼각 이동 평균 필터의 경우 필터 주기는 유한합니다.
• 무한 임펄스 응답(IIR), 지수 이동 평균 및 누적 이동 평균 필터의 경우 필터 주기는 무한합니다.
• 임계값 필터의 경우 필터 기간은 항상 1입니다.
• 중위 수 필터의 경우 필터 기간에 관계 없이 NaN과 입력 신호의 누락된 값은 출력에서 새 NaN을 생성하지 않습니다.

결측값

이 섹션에서는 누락된 값이 발생한 경우의 동작에 대해 필터 유형별로 설명합니다. 일반적으로 필터가 NaN또는 입력 데이터 집합에서 누락된 값을 발견하면 필터 기간에 따라 일부 샘플의 경우 출력 데이터 세트가 NaN으로 인해 손상됩니다. 이 경우 다음과 같은 결과가 발생합니다.

• FIR, 단순 이동 평균 또는 삼각형 이동 평균 필터는 제한된 기간을 가집니다. 따라서 누락된 값은 필터 순서에서 1을 뺀 값과 동일한 수의 NaN으로 이어집니다.
• IIR, 지수 이동 평균 또는 누적 이동 평균 필터는 무한 기간을 가집니다. 따라서 첫번째 누락 값이 발생한 후에도 NaN은 무기한으로 전파됩니다.
• 임계값 필터에서 임계값 필터의 주기는 1입니다. 따라서 누락된 값과 NaN은 전파되지 않습니다.
• 중위 수 필터의 경우, 입력 데이터 집합에서 발견되는 NaN과 누락된 값은 필터 기간에 관계 없이 출력에서 새 NaN을 생성하지 않습니다.