مكون الانحدار اللوجستي متعدد الفئات

توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.

استخدم هذا المكون لإنشاء نموذج انحدار لوجستي يمكن استخدامه للتنبؤ بقيم متعددة.

التصنيف باستخدام الانحدار اللوجستي هو أسلوب تعلم خاضع للإشراف، وبالتالي يتطلب مجموعة بيانات مسماة. يمكنك تدريب النموذج عن طريق توفير النموذج ومجموعة البيانات المسماة كمدخل لمكون مثل Train Model. يمكن بعد ذلك استخدام النموذج المدرب للتنبؤ بالقيم لأمثلة الإدخال الجديدة.

يوفر التعلم الآلي من Azure أيضًا مكون انحدار لوجستي من فئتين، وهو مناسب لتصنيف المتغيرات الثنائية أو الثنائية.

حول الانحدار اللوجستي متعدد الطبقات

التراجع اللوجستي هو أسلوب معروف في الإحصائيات يستخدم للتنبؤ باحتمال حدوث نتيجة، وهو شائع لمهام التصنيف. تتنبأ الخوارزمية باحتمال حدوث حدث عن طريق ملاءمة البيانات لوظيفة لوجستية.

في الانحدار اللوجستي متعدد الطبقات، يمكن استخدام المصنف للتنبؤ بنتائج متعددة.

تكوين انحدار لوجستي متعدد الطبقات

1. أضف مكون الانحدار اللوجستي متعدد الطبقات إلى البنية الأساسية لبرنامج ربط العمليات التجارية.

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

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

   • 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.

3. التسامح مع التحسين، حدد قيمة الحد لتقارب المحسن. إذا كان التحسين بين التكرارات أقل من الحد، تتوقف الخوارزمية وتعيد النموذج الحالي.

4. وزن تنظيم L1، وزن التسوية L2: اكتب قيمة لاستخدامها لمعلمات التسوية L1 وL2. يوصى بالقيمة غير الصفرية لكليهما.

   التسوية هي طريقة لمنع الإفراط في المعامل من خلال معاقبة النماذج ذات القيم المعاملية المتطرفة. يعمل التسوية عن طريق إضافة العقوبة المقترنة بقيم المعاملات إلى خطأ الفرضية. إن النموذج الدقيق الذي يحتوي على قيم معاملات متطرفة سيعاقب أكثر، ولكن نموذج أقل دقة بقيم أكثر تحفظا سيعاقب أقل.

   تسوية L1 وL2 لها تأثيرات واستخدامات مختلفة. يمكن تطبيق L1 على نماذج متفرقة، وهو أمر مفيد عند العمل مع البيانات عالية الأبعاد. وعلى النقيض من ذلك، يفضل تنظيم L2 للبيانات غير المتفرقة. تدعم هذه الخوارزمية مجموعة خطية من قيم تسوية L1 وL2: أي إذا x = L1 وy = L2 وax + by = c تحدد النطاق الخطي لشروط التسوية.

   تم تصميم مجموعات خطية مختلفة من مصطلحات L1 وL2 لنماذج الانحدار اللوجستي، مثل تنظيم الشبكة المرنة.

5. القيمة الأولية للرقم العشوائي: اكتب قيمة عدد صحيح لاستخدامها كقيمة أولية للخوارزمية إذا كنت تريد أن تكون النتائج قابلة للتكرار عبر عمليات التشغيل. وإلا، يتم استخدام قيمة ساعة النظام كقيمة أولية، والتي يمكن أن تنتج نتائج مختلفة قليلًا في تشغيل نفس المسار.

6. قم بتوصيل مجموعة بيانات مصنفة، 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.

7. إرسال المسار.

الخطوات التالية

راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.