انحدار Poisson

توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.

استخدم هذا المكون لإنشاء نموذج تراجع Poisson في البنية الأساسية لبرنامج ربط العمليات التجارية. يهدف تراجع السموم إلى التنبؤ بالقيم الرقمية، وعادة ما يتم احتسابها. لذلك، يجب عليك استخدام هذا المكون لإنشاء نموذج الانحدار الخاص بك فقط إذا كانت القيم التي تحاول التنبؤ بها مناسبة للشروط التالية:

• متغير الاستجابة له توزيع Poisson .

• لا يمكن أن يكون العد سلبيًا. ستفشل الطريقة تمامًا إذا حاولت استخدامها باستخدام ملصقات سلبية.

• توزيع Poisson هو توزيع منفصل؛ وبالتالي، فليس من المفيد استخدام هذه الطريقة بأرقام غير كاملة.

تلميح

إذا لم يكن هدفك هو العد، فمن المحتمل ألا يكون تراجع Poisson طريقة مناسبة. جرب مكونات الانحدار الأخرى في المصمم .

بعد إعداد طريقة الانحدار، يجب عليك تدريب النموذج باستخدام مجموعة بيانات تحتوي على أمثلة للقيمة التي تريد التنبؤ بها. يمكن بعد ذلك استخدام النموذج المدرب لعمل تنبؤات.

المزيد عن تراجع Poisson

انحدار Poisson هو نوع خاص من تحليل الانحدار الذي يستخدم عادة لنمذجة العد. على سبيل المثال، سيكون تراجع Poisson مفيدًا في هذه السيناريوهات:

• نمذجة عدد نزلات البرد المرتبطة برحلات الطائرات

• تقدير عدد مكالمات خدمة الطوارئ خلال الحدث

• إسقاط عدد استفسارات العملاء بعد الترويج

• وضع جداول للطوارئ

نظرًا لأن متغير الاستجابة له توزيع Poisson، فإن النموذج يضع افتراضات مختلفة حول البيانات وتوزيع احتمالاتها مقارنة، على سبيل المثال، بانحدار المربعات الأقل. لذا، يجب تفسير نماذج Poisson بشكل مختلف عن نماذج الانحدار الأخرى.

كيفية تكوين تراجع Poisson

1. أضف مكون Poisson Regression إلى البنية الأساسية لبرنامج ربط العمليات التجارية الخاص بك في المصمم. يمكنك العثور على هذا المكون تحت خوارزميات التعلم الآلي من Microsoft Azure ، في فئة الانحدار .

2. أضف مجموعة بيانات تحتوي على بيانات تدريبية من النوع الصحيح.

   نوصي باستخدام تطبيع البيانات لتطبيع مجموعة بيانات الإدخال قبل استخدامها لتدريب المنحدر.

3. في الجزء الأيمن من Poisson Regression ، حدد كيف تريد أن يتم تدريب النموذج، عن طريق تعيينإنشاء وضع المدرب خيار.

   • معامل واحد : إذا كنت تعرف كيف تريد تكوين النموذج، قدم مجموعة محددة من القيم كحجج.

   • نطاق المعلمات : إذا لم تكن متأكدًا من أفضل المعلمات، فقم باكتساح المعلمة باستخدام مكون Tune Model Hyperparameters . يتكرر المدرب على قيم متعددة تحددها للعثور على التكوين الأمثل.

4. التحمل الأمثل : نوع القيمة التي تحدد فترة التحمل أثناء التحسين. كلما انخفضت القيمة، كانت التركيب أبطأ وأكثر دقة.

5. L1 وزن التسوية و L2 وزن التسوية : قيم النوع لاستخدامها في تسوية L1 و L2. يضيف التسوية قيودًا على الخوارزمية فيما يتعلق بجوانب النموذج المستقلة عن بيانات التدريب. يُستخدم التسوية بشكل شائع لتجنب الإفراط في التركيب.

   • التسوية L1 مفيدة إذا كان الهدف هو الحصول على نموذج متناثر قدر الإمكان.

     يتم تسوية L1 عن طريق طرح الوزن L1 لمتجه الوزن من تعبير الخسارة الذي يحاول المتعلم تقليله. قاعدة L1 هي تقريب جيد لمعيار L0، وهو عدد الإحداثيات غير الصفرية.

   • يمنع تثبيت L2 أي إحداثي واحد في متجه الوزن من النمو كثيرًا في الحجم. التسوية L2 مفيدة إذا كان الهدف هو الحصول على نموذج بأوزان إجمالية صغيرة.

   في هذا المكون، يمكنك تطبيق مزيج من عمليات التسوية L1 و L2. من خلال الجمع بين تسوية L1 و L2، يمكنك فرض عقوبة على حجم قيم المعلمة. يحاول المتعلم تقليل العقوبة، في مقايضة مع تقليل الخسارة.

   للاطلاع على مناقشة جيدة حول تسوية L1 و L2، انظر L1 و L2 تسوية التعلم الآلي .

6. حجم الذاكرة لـ L-BFGS : حدد مقدار الذاكرة للاحتفاظ بها لتركيب النموذج وتحسينه.

   L-BFGS هي طريقة محددة للتحسين، بناءً على خوارزمية Broyden-Fletcher-Goldfarb-Shanno (BFGS). تستخدم الطريقة كمية محدودة من الذاكرة (L) لحساب اتجاه الخطوة التالية.

   من خلال تغيير هذا المعامل، يمكنك التأثير على عدد المواضع والتدرجات السابقة التي يتم تخزينها لحساب الخطوة التالية.

7. ربط مجموعة بيانات التدريب والنموذج غير المدرب بأحد مكونات التدريب:

   • إذا قمت بتعيين قم بإنشاء وضع المدرب إلى معامل واحد ، استخدم مكون نموذج القطار .

   • إذا قمت بتعيين إنشاء وضع المدرب إلى نطاق المعلمات ، استخدم مكون نغمة نموذج Hyperparameters .

   تحذير

   • إذا قمت بتمرير نطاق المعلمات إلى نموذج التدريب ، فإنه يستخدم فقط القيمة الأولى في قائمة نطاق المعلمات.

   • إذا قمت بتمرير مجموعة واحدة من قيم المعلمات إلى مكون Tune Model Hyperparameters ، عندما تتوقع مجموعة من الإعدادات لكل معلمة، فإنها تتجاهل القيم وتستخدم القيم الافتراضية للمتعلم.

   • إذا قمت بتحديد خيار نطاق المعلمة وإدخال قيمة واحدة لأي معلمة، يتم استخدام تلك القيمة المفردة التي حددتها في جميع أنحاء الاجتياح، حتى لو تغيرت المعلمات الأخرى عبر مجموعة من القيم.

8. إرسال المسار.

النتائج

بعد اكتمال التدريب:

• لحفظ لقطة من النموذج المدرب، حدد مكون التدريب، ثم تبديل إلى مخرجات + سجل علامة تبويب في اللوحة اليمنى. انقر على الأيقونة سجل مجموعة البيانات . يمكنك العثور على النموذج المحفوظ كمكون في شجرة المكونات.

الخطوات التالية

راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.