مكوّن تراجع الشبكة العصبية
إنشاء نموذج تراجع باستخدام خوارزمية شبكة عصبية
الفئة: التعلم الآلي / تهيئة النموذج / التراجع
نظرة عامة على المكون
توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.
استخدم هذا المكون لإنشاء نموذج تراجع باستخدام خوارزمية شبكة عصبية قابلة للتخصيص.
على الرغم من أن الشبكات العصبية معروفة على نطاق واسع لاستخدامها في التعلم العميق ونمذجة المشاكل المعقدة مثل التعرف على الصور، إلا أنها تتكيف بسهولة مع مشكلات التراجع. يمكن تسمية أي فئة من النماذج الإحصائية بالشبكة العصبية إن كانت تستخدم أوزانًا قابلة للتكيف ويمكنها تقريب دوال غير خطية لمدخلاتها. وبالتالي فإن تراجع الشبكة العصبية مناسب للمشاكل التي لا يمكن لنموذج التراجع الأكثر تقليدية أن يلائم الحل.
يعد تراجع الشبكات العصبية طريقة تعلم خاضعة للإشراف، وبالتالي يتطلب مجموعة بيانات مميزة بعلامات، والتي تتضمن عمود تسمية. نظرًا لأن نموذج التراجع يتنبأ بقيمة رقمية، يجب أن يكون عمود التسمية من نوع البيانات الرقمية.
يمكنك تدريب النموذج عن طريق توفير النموذج ومجموعة البيانات المميزة بعلامات كمدخل لتدريب النموذج. يمكن بعد ذلك استخدام النموذج المدرب للتنبؤ بالقيم لأمثلة الإدخال الجديدة.
تكوين تراجع الشبكة العصبية
يمكن تخصيص الشبكات العصبية على نطاق واسع. يصف هذا القسم كيفية إنشاء نموذج باستخدام طريقتين:
إنشاء نموذج شبكة عصبية باستخدام البنية الافتراضية
إذا قبلت بنية الشبكة العصبية الافتراضية، فاستخدم جزء Properties لتعيين المعلمات التي تتحكم في سلوك الشبكة العصبية، مثل عدد العقد في الطبقة المخفية ومعدل التعلم والتطبيع.
ابدأ من هنا إن كنت جديدًا على الشبكات العصبية. يدعم المكوّن العديد من التخصيصات، بالإضافة إلى ضبط النموذج، دون معرفة عميقة بالشبكات العصبية.
تعريف بنية مخصصة لشبكة عصبية
استخدم هذا الخيار إن كنت تريد إضافة طبقات مخفية إضافية، أو تخصيص بنية الشبكة واتصالاتها ودوال التنشيط بشكل كامل.
يعد هذا الخيار أحد أفضل الخيارات إن كنت بالفعل على دراية إلى حد ما بالشبكات العصبية. يمكنك استخدام لغة Net# لتعريف بنية الشبكة.
إنشاء نموذج شبكة عصبية باستخدام البنية الافتراضية
أضف مكون تراجع الشبكة العصبية إلى المسار الخاصة بك في المصمم. يمكنك العثور على هذا المكون ضمن Machine Learning، Initialize، في الفئة Regression.
أشر إلى الطريقة التي تريد تدريب النموذج بها عن طريق تعيين خيار إنشاء وضع المدرب.
معلمة واحدة: حدد هذا الخيار إذا كنت تعرف بالفعل كيف تريد تهيئة النموذج.
نطاق المعلمات: حدد هذا الخيار إذا لم تكن متأكدا من أفضل المعلمات، وتريد تشغيل مسح المعلمات. حدد نطاقاً من القيم للتكرار، وتتكرر مقاييس ضبط نموذج Hyperparameters عبر جميع المجموعات الممكنة من الإعدادات التي قدمتها لتحديد المعلمات الفائقة التي تنتج النتائج المثلى.
في مواصفات الطبقة المخفية، حدد حالة متصلة بالكامل. ينشئ هذا الخيار نموذجًا باستخدام بنية الشبكة العصبية الافتراضية، والتي تحتوي على هذه السمات الخاصة بنموذج انحدار الشبكة العصبية:
- تحتوي الشبكة على طبقة مخفية واحدة بالضبط.
- ترتبط طبقة الإخراج بالكامل بالطبقة المخفية، والطبقة المخفية متصلة بالكامل بطبقة الإدخال.
- يمكن تعيين عدد العقد في الطبقة المخفية من قبل المستخدم (القيمة الافتراضية هي 100).
نظرًا إلى أن عدد العقد في طبقة الإدخال يتم تحديدها من خلال عدد الميزات في بيانات التدريب، في نموذج التراجع، يمكن أن يكون هناك عقدة واحدة فقط في طبقة الإخراج.
بالنسبة إلى Number of hidden nodes، اكتب عدد العقد المخفية. الإعداد الافتراضي هو طبقة مخفية واحدة بها 100 عقدة. (لا يتوفر هذا الخيار إن قمت بتعريف بنية مخصصة باستخدام Net#.)
بالنسبة إلى Learning rate، اكتب قيمة تحدد الخطوة التي تم اتخاذها عند كل تكرار، قبل التصحيح. يمكن أن تتسبب القيمة الأكبر لمعدل التعلم في تقارب النموذج بشكل أسرع، ولكن يمكن أن تتجاوز الحدود الدنيا المحلية.
بالنسبة إلى Number of learning iterations، حدد الحد الأقصى لعدد مرات معالجة الخوارزمية لحالات التدريب.
بالنسبة إلى The momentum، اكتب قيمة لتطبيقها أثناء التعلم كوزن على العقد من التكرارات السابقة.
حدد الخيار، Shuffle examples، لتغيير ترتيب الحالات بين التكرارات. إذا قمت بإلغاء تحديد هذا الخيار، فستتم معالجة الحالات بنفس الترتيب تمامًا في كل مرة تقوم فيها بتشغيل المسار.
بالنسبة إلى Random number seed، يمكنك اختياريًا كتابة قيمة لاستخدامها كقيمة أولية. يعد تحديد قيمة أولية مفيدًا عندما تريد ضمان إمكانية التكرار عبر عمليات تشغيل نفس المسار.
قم بتوصيل مجموعة بيانات التدريب وقم بتدريب النموذج:
إذا قمت بتعيين Create trainer mode إلى Single Parameter، فقم بتوصيل مجموعة بيانات ذات علامة ومكون Train Model.
إذا قمت بتعيينوضع إنشاء المدربلـنطاق المعلمات، فقم بتوصيل مجموعة البيانات ذات العلامة وتدريب النموذج باستخدامضبط المعلمات الفائقة للنموذج.
ملاحظة
إذا قمت بتمرير النطاق المتعلق بمعلمة إلىتدريب النموذج، فإنه يستخدم القيمة الافتراضية فقط في قائمة المعلمات الفردية.
إذا قمت بتمرير مجموعة واحدة من قيم المعلمات إلى المكونلضبط المعلمات الفائقة، عندما يتوقع نطاقاً من الإعدادات لكل معلمة، فإنه يتجاهل القيم ويستخدم القيم الافتراضية للمتعلم.
إذا حددت الخيار نطاق المعلمات وأدخلت قيمة واحدة لأي معلمة، يتم استخدام هذه القيمة المفردة التي حددتها طوال عملية المسح، حتى إذا تغيرت المعلمات الأخرى عبر نطاق من القيم.
إرسال المسار.
النتائج
بعد انتهاء التدريب:
- لحفظ لقطة للنموذج المدرب، حدد علامة التبويب Outputs في اللوحة اليمنى لمكون نموذج Train. حدد أيقونة تسجيل مجموعة البيانات لحفظ النموذج كمكوِّن قابل لإعادة الاستخدام.
الخطوات التالية
راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.