مكون Two-Class Support Vector Machine

توضح هذه المقالة مكونا في مصمم التعلم الآلي Azure.

استخدم هذا المكون لإنشاء نموذج يستند إلى خوارزمية جهاز متجه الدعم.

تعد أجهزة متجهات الدعم (SVMs) فئة بحثية جيدة من أساليب التعلم الخاضعة للإشراف. ويناسب هذا التنفيذ الخاص التنبؤ بنتيجة محتملة اثنين، على أساس متغيرات مستمرة أو فئوية.

بعد تحديد معلمات النموذج، قم بتدريب النموذج باستخدام مكونات التدريب، وتوفير مجموعة بيانات ذات علامة تتضمن عمود تسمية أو نتيجة.

حول دعم أجهزة المتجهات

تعد أجهزة متجهات الدعم من بين أقدم خوارزميات التعلم الآلي، وقد تم استخدام نماذج SVM في العديد من التطبيقات، من استرداد المعلومات إلى تصنيف النصوص والصور. يمكن استخدام SVMs لكل من مهام التصنيف والانحدار.

نموذج SVM هذا هو نموذج تعلم خاضع للإشراف يتطلب بيانات مسماة. في عملية التدريب، تحلل الخوارزمية بيانات الإدخال وتتعرف على الأنماط في مساحة ميزة متعددة الأبعاد تسمى المخطط الفائق. يتم تمثيل جميع أمثلة الإدخال كنقاط في هذه المساحة، ويتم تعيينها إلى فئات الإخراج بحيث يتم تقسيم الفئات على أكبر قدر ممكن من التباعد ومسحه.

للتنبؤ، تقوم خوارزمية SVM بتعيين أمثلة جديدة في فئة واحدة أو أخرى، وتعيينها في نفس المساحة.

كيفية تكوين

بالنسبة لنوع النموذج هذا، يوصى بتطبيع مجموعة البيانات قبل استخدامها لتدريب المصنف.

1. أضف مكون Two-Class Support Vector Machine إلى البنية الأساسية لبرنامج ربط العمليات التجارية الخاصة بك.

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

   • معلمة واحدة: إذا كنت تعرف كيف تريد تكوين النموذج، يمكنك توفير مجموعة معينة من القيم كوسيطات.

   • نطاق المعلمات: إذا لم تكن متأكدا من أفضل المعلمات، يمكنك العثور على المعلمات المثلى باستخدام مكون Tune Model Hyperparameters . يمكنك توفير مجموعة من القيم، ويكرر المدرب على مجموعات متعددة من الإعدادات لتحديد مجموعة القيم التي تنتج أفضل نتيجة.

3. بالنسبة إلى عدد التكرارات، اكتب رقما يشير إلى عدد التكرارات المستخدمة عند إنشاء النموذج.

   يمكن استخدام هذه المعلمة للتحكم في المفاضلة بين سرعة التدريب ودقته.

4. بالنسبة إلى Lambda، اكتب قيمة لاستخدامها كوزن للانتظام L1.

   يمكن استخدام معامل الانتظام هذا لضبط النموذج. القيم الأكبر تعاقب النماذج الأكثر تعقيدا.

5. حدد الخيار Normalize features، إذا كنت تريد تطبيع الميزات قبل التدريب.

   إذا قمت بتطبيق التسوية، قبل التدريب، يتم توسيط نقاط البيانات في الوسط وتحجيمها للحصول على وحدة واحدة من الانحراف المعياري.

6. حدد الخيار Project to the unit sphere، لتطبيع المعاملات.

   يعني عرض القيم على مساحة الوحدة أنه قبل التدريب، يتم توسيط نقاط البيانات عند 0 وتحجيمها للحصول على وحدة واحدة من الانحراف المعياري.

7. في "Random number seed"، اكتب قيمة عدد صحيح لاستخدامها كقيمة أولية إذا كنت تريد التأكد من إمكانية إعادة الإنتاج عبر عمليات التشغيل. وإلا، يتم استخدام قيمة ساعة النظام كقيمة أولية، ما يمكن أن يؤدي إلى نتائج مختلفة قليلا عبر عمليات التشغيل.

8. قم بتوصيل مجموعة بيانات مسماة، وتدريب 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:

• لحفظ لقطة للنموذج المدرب، حدد علامة التبويب Outputs في اللوحة اليمنى لمكون Train model . حدد أيقونة تسجيل مجموعة البيانات لحفظ النموذج كمكون قابل لإعادة الاستخدام.

• لاستخدام النموذج لتسجيل النقاط، أضف مكون Score Model إلى البنية الأساسية لبرنامج ربط العمليات التجارية.

الخطوات التالية

راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.