مكون انحدار مجموعة القرارات

توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.

استخدم هذا المكون لإنشاء نموذج انحدار استنادا إلى مجموعة من أشجار القرار.

بعد تكوين النموذج، يجب تدريب النموذج باستخدام مجموعة بيانات مسماة ومكون Train Model. يمكن بعد ذلك استخدام النموذج المدرب لإجراء تنبؤات.

كيف تعمل هذه الميزة

أشجار القرار هي نماذج غير parametric تقوم بإجراء سلسلة من الاختبارات البسيطة لكل مثيل، وتجتاز بنية بيانات شجرة ثنائية حتى يتم الوصول إلى عقدة طرفية (قرار).

تتمتع أشجار القرار بهذه المزايا:

• وهي فعالة في كل من الحساب واستخدام الذاكرة في أثناء التدريب والتنبؤ.

• يمكن أن تمثل حدود القرار غير الخطية.

• وهي تقوم باختيار وتصنيف الميزات المتكاملة وهي مرنة في وجود ميزات صاخبة.

يتكون نموذج الانحدار هذا من مجموعة من أشجار القرار. كل شجرة في غابة قرار الانحدار مخرجات توزيع جاوسيان كتنبؤ. يتم إجراء تجميع على مجموعة من الأشجار للعثور على توزيع غاوسي الأقرب إلى التوزيع المدمج لجميع الأشجار في النموذج.

لمزيد من المعلومات حول الإطار النظري لهذه الخوارزمية وتنفيذها، راجع هذه المقالة: غابات القرار: إطار عمل موحد للتصنيف والانحدار وتقدير الكثافة والتعلم المانوي والتعلم Semi-Supervised

كيفية تكوين نموذج انحدار غابة القرار

1. أضف مكون Decision Forest Regression إلى البنية الأساسية لبرنامج ربط العمليات التجارية. يمكنك العثور على المكون في المصمم ضمن التعلم الآليوتهيئة النموذجوالتراجع.

2. افتح خصائص المكون، وبالنسبة لأسلوب إعادة تعيين، اختر الأسلوب المستخدم لإنشاء الأشجار الفردية. يمكنك الاختيار من بين وضع العلامات أو النسخ المتماثل.

   • التعبئة: يُطلق على التعبئة أيضاً تجميع التمهيد. كل شجرة في غابة قرار الانحدار مخرجات توزيع جاوسيان عن طريق التنبؤ. التجميع هو العثور على الغاوسي الذي تطابق أول لحظتين لحظات من مزيج التوزيعات الغاوسية المقدمة من خلال الجمع بين جميع التوزيعات التي تم إرجاعها بواسطة الأشجار الفردية.

     لمزيد من المعلومات، راجع إدخال Wikipedia لتجميع Bootstrap.

   • تكرار: في النسخ المتماثل، يتم تدريب كل شجرة على نفس بيانات الإدخال بالضبط. تحديد المسند المنقسم الذي يتم استخدامه لكل عقدة شجرة يبقى عشوائيا وستكون الأشجار متنوعة.

     لمزيد من المعلومات حول عملية التدريب باستخدام خيار النسخ المتماثل، راجع غابات القرار لرؤية الكمبيوتر وتحليل الصور الطبية. كريمينيسي وج. شوتون. Springer 2013..

3. حدد الطريقة التي تريد تدريب النموذج بها عن طريق تعيين خيار إنشاء وضع المدرب.

   • معلمة واحدة

     إذا كنت تعرف كيفية تكوين النموذج، يمكنك توفير مجموعة محددة من القيم كوسيطات. ربما تكون قد تعلمت هذه القيم عن طريق التجريب أو تلقيتها كإرشادات.

   • 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.

4. بالنسبة إلى عدد أشجار القرار، قم بالإشارة إلى العدد الإجمالي لأشجار القرار المراد إنشاؤها في المجموعة. من خلال إنشاء المزيد من أشجار القرار، يمكنك الحصول على تغطية أفضل، ولكن سيزداد وقت التدريب.

   تلميح

   إذا قمت بتعيين القيمة إلى 1؛ ومع ذلك، هذا يعني أنه سيتم إنتاج شجرة واحدة فقط (الشجرة مع المجموعة الأولية من المعلمات) ولن يتم إجراء تكرارات أخرى.

5. للحصول على أقصى عمق لأشجار القرار، اكتب رقمًا للحد من الحد الأقصى لعمق أي شجرة قرار. قد تؤدي زيادة عمق الشجرة إلى زيادة الدقة، مع خطر حدوث بعض التجهيز الزائد وزيادة وقت التدريب.

6. بالنسبة إلى عدد التقسيمات العشوائية لكل عقدة، اكتب عدد التقسيمات التي يجب استخدامها عند إنشاء كل عقدة من الشجرة. يعني الانقسام أن الميزات في كل مستوى من مستويات الشجرة (العقدة) مقسمة عشوائياً.

7. بالنسبة إلى الحد الأدنى لعدد العينات لكل عقدة طرفية، قم بالإشارة إلى الحد الأدنى لعدد الحالات المطلوبة لإنشاء أي عقدة طرفية (طرفية) في شجرة.

   بزيادة 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 خمس حالات على الأقل تفي بنفس الشروط.

8. تدريب 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.

9. إرسال المسار.

النتائج

بعد انتهاء التدريب:

• لحفظ لقطة للنموذج المدرب، حدد مكون التدريب، ثم قم بالتبديل إلى علامة التبويب Outputs في اللوحة اليمنى. انقر فوق الأيقونة Register model. يمكنك العثور على النموذج المحفوظ كمكون في شجرة المكونات.

الخطوات التالية

راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.