مكون انحدار شجرة القرار المعزز

توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.

استخدم هذا المكون لإنشاء مجموعة من أشجار الانحدار باستخدام التعزيز. التعزيز يعني أن كل شجرة تعتمد على الأشجار السابقة. تتعلم الخوارزمية عن طريق ملاءمة ما تبقى من الأشجار التي سبقتها. وبالتالي، فإن التعزيز في مجموعة شجرة القرار يميل إلى تحسين الدقة مع بعض المخاطر الصغيرة للتغطية الأقل.

يستند هذا المكون إلى خوارزمية LightGBM.

أسلوب الانحدار هذا هو أسلوب تعلم خاضع للإشراف، وبالتالي يتطلب مجموعة بيانات مسماة. يجب أن يحتوي عمود التسمية على قيم رقمية.

ملاحظة

استخدم هذا المكون فقط مع مجموعات البيانات التي تستخدم المتغيرات الرقمية.

بعد تحديد النموذج، قم بتدريبه باستخدام نموذج التدريب.

المزيد حول أشجار الانحدار المعززة

التعزيز هو واحد من عدة طرق كلاسيكية لإنشاء نماذج المجموعة، جنبا إلى جنب مع وضع العلامات، والغابات العشوائية، وما إلى ذلك. في التعلم الآلي من Azure، تستخدم أشجار القرار المعززة تنفيذا فعالا لخوارزمية تعزيز تدرج MART. تعزيز التدرج هو تقنية التعلم الآلي لمشاكل الانحدار. يقوم بإنشاء كل شجرة انحدار بطريقة خطوة بخطوة، باستخدام دالة خسارة محددة مسبقا لقياس الخطأ في كل خطوة وتصحيحه في الخطوة التالية. وبالتالي فإن نموذج التنبؤ هو في الواقع مجموعة من نماذج التنبؤ الأضعف.

في مشكلات الانحدار، يؤدي تعزيز إلى بناء سلسلة من الأشجار بطريقة خطوة بخطوة، ثم تحديد الشجرة المثلى باستخدام دالة خسارة عشوائية يمكن تغييرها.

للحصول على معلومات إضافية، راجع هذه المقالات:

• https://wikipedia.org/wiki/Gradient_boosting#Gradient_tree_boosting

  توفر مقالة ويكيبيديا هذه حول تعزيز التدرج بعض الخلفية على الأشجار المعززة.

• https://research.microsoft.com/apps/pubs/default.aspx?id=132652

  Microsoft Research: من RankNet إلى LambdaRank إلى LambdaMART: نظرة عامة. بواسطة (جي سي بورغيس)

يمكن أيضا استخدام أسلوب تعزيز التدرج لمشاكل التصنيف عن طريق تقليلها إلى الانحدار مع دالة خسارة مناسبة. لمزيد من المعلومات حول تنفيذ الأشجار المعززة لمهام التصنيف، راجع Two-Class شجرة القرارات المعززة.

كيفية تكوين تراجع شجرة القرارات المعززة

1. أضف مكون شجرة القرارات المعززة إلى البنية الأساسية لبرنامج ربط العمليات التجارية الخاصة بك. يمكنك العثور على هذا المكون ضمن التعلم الآلي، التهيئة، ضمن فئة الانحدار .

2. حدد الطريقة التي تريد أن يتم بها تدريب النموذج، عن طريق تعيين الخيار إنشاء وضع المدرب .

   • معلمة واحدة: حدد هذا الخيار إذا كنت تعرف كيفية تكوين النموذج، وقم بتوفير مجموعة معينة من القيم كوسيطات.

   • نطاق المعلمات: حدد هذا الخيار إذا لم تكن متأكدا من أفضل المعلمات، وتريد تشغيل مسح معلمة. حدد نطاقا من القيم للتكرار، ويتكرر Tune Model Hyperparameters عبر جميع المجموعات الممكنة من الإعدادات التي قدمتها لتحديد المعلمات الفائقة التي تنتج النتائج المثلى.

3. الحد الأقصى لعدد الأوراق لكل شجرة: حدد الحد الأقصى لعدد العقد الطرفية (الأوراق) التي يمكن إنشاؤها في أي شجرة.

   من خلال زيادة هذه القيمة، من المحتمل أن تقوم بزيادة حجم الشجرة والحصول على دقة أفضل، في خطر الإفراط في الملائمة ووقت التدريب الأطول.

4. الحد الأدنى لعدد العينات لكل عقدة طرفية: حدد الحد الأدنى لعدد الحالات المطلوبة لإنشاء أي عقدة طرفية (طرفية) في شجرة.

   من خلال زيادة هذه القيمة، يمكنك زيادة حد إنشاء قواعد جديدة. على سبيل المثال، مع القيمة الافتراضية 1، يمكن أن تتسبب حالة واحدة في إنشاء قاعدة جديدة. إذا قمت بزيادة القيمة إلى 5، يجب أن تحتوي بيانات التدريب على 5 حالات على الأقل تفي بنفس الشروط.

5. معدل التعلم: اكتب رقما بين 0 و1 يحدد حجم الخطوة أثناء التعلم. يحدد معدل التعلم مدى سرعة المتعلم أو بطءه في التقارب على الحل الأمثل. إذا كان حجم الخطوة كبيرا جدا، فقد تبالغ في استكشاف الحل الأمثل. إذا كان حجم الخطوة صغيرا جدا، يستغرق التدريب وقتا أطول للتقارب على أفضل حل.

6. عدد الأشجار التي تم إنشاؤها: يشير إلى العدد الإجمالي لأشجار القرار التي يجب إنشاؤها في المجموعة. من خلال إنشاء المزيد من أشجار القرار، يمكنك الحصول على تغطية أفضل، ولكن يزيد وقت التدريب.

   إذا قمت بتعيين القيمة إلى 1؛ ومع ذلك، يتم إنتاج شجرة واحدة فقط (الشجرة مع المجموعة الأولية من المعلمات) ولا يتم تنفيذ تكرارات أخرى.

7. القيمة الأولية للعدد العشوائي: اكتب عددا صحيحا اختياريا غير سالب لاستخدامه كقيمة أولية عشوائية. يضمن تحديد البذور إمكانية إعادة الإنتاج عبر عمليات التشغيل التي لها نفس البيانات والمعلمات.

   بشكل افتراضي، يتم تعيين البذور العشوائية إلى 0، مما يعني أنه يتم الحصول على قيمة البذور الأولية من ساعة النظام.

8. تدريب النموذج:

   • إذا قمت بتعيين Create trainer mode إلى Single Parameter، فقم بتوصيل مجموعة بيانات ذات علامة ومكون Train Model .

   • إذا قمت بتعيين وضع إنشاء مدرب إلى Parameter Range، فقم بتوصيل مجموعة بيانات ذات علامة وتدريب النموذج باستخدام Tune Model Hyperparameters.

   ملاحظة

   إذا قمت بتمرير نطاق معلمة إلى Train Model، فإنه يستخدم القيمة الافتراضية فقط في قائمة المعلمات الفردية.

   إذا قمت بتمرير مجموعة واحدة من قيم المعلمات إلى مكون Tune Model Hyperparameters ، عندما تتوقع نطاقا 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.

9. إرسال البنية الأساسية.

النتائج

بعد اكتمال التدريب:

• لاستخدام النموذج لتسجيل النقاط، قم بتوصيل Train Model ب Score Model، للتنبؤ بالقيم لأمثلة الإدخال الجديدة.

• لحفظ لقطة للنموذج المدرب، حدد علامة التبويب Outputs في اللوحة اليمنى من Trained model وانقر فوق Register dataset icon. سيتم حفظ نسخة النموذج المدرب كمكون في شجرة المكون ولن يتم تحديثها على عمليات التشغيل المتتالية للبنية الأساسية لبرنامج ربط العمليات التجارية.

الخطوات التالية

راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.