Komponenta regrese neurální sítě
Vytvoří regresní model pomocí algoritmu neurální sítě.
Kategorie: Strojové učení / Inicializace modelu / Regrese
Přehled komponent
Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.
Tato komponenta slouží k vytvoření regresního modelu pomocí přizpůsobitelného algoritmu neurální sítě.
I když jsou neurální sítě široce známé pro použití v hlubokém učení a modelování složitých problémů, jako je rozpoznávání obrazu, jsou snadno přizpůsobeny regresním problémům. Libovolnou třídu statistických modelů lze o neurální síti považovat, pokud používají adaptivní váhy a mohou aproximovat nelineární funkce svých vstupů. Regrese neurální sítě je proto vhodná pro problémy, ve kterých tradiční regresní model nemůže odpovídat řešení.
Regrese neurální sítě je metoda učení pod dohledem, a proto vyžaduje označenou datovou sadu, která obsahuje sloupec popisku. Vzhledem k tomu, že regresní model předpovídá číselnou hodnotu, musí být sloupec popisku číselným datovým typem.
Model můžete trénovat tak, že jako vstup pro trénování modelu zadáte model a označenou datovou sadu. Trénovaný model se pak dá použít k predikci hodnot pro nové vstupní příklady.
Konfigurace regrese neurální sítě
Neurální sítě je možné do značného rozsahu přizpůsobit. Tato část popisuje, jak vytvořit model pomocí dvou metod:
Vytvoření modelu neurální sítě pomocí výchozí architektury
Pokud přijmete výchozí architekturu neurální sítě, pomocí podokna Vlastnosti nastavte parametry, které řídí chování neurální sítě, jako je počet uzlů ve skryté vrstvě, rychlost učení a normalizace.
Začněte tady, pokud s neurálními sítěmi začínáte. Komponenta podporuje mnoho přizpůsobení a ladění modelů bez hlubších znalostí neurálních sítí.
Definování vlastní architektury pro neurální síť
Tuto možnost použijte, pokud chcete přidat další skryté vrstvy nebo plně přizpůsobit architekturu sítě, její připojení a aktivační funkce.
Tato možnost je nejlepší, pokud už určitou část neurálních sítí znáte. K definování síťové architektury se používá jazyk Net#.
Vytvoření modelu neurální sítě pomocí výchozí architektury
Přidejte komponentu Regrese neurální sítě do kanálu v návrháři. Tuto komponentu najdete v kategorii Regrese v části Machine Learning, Initialize.
Nastavením možnosti Vytvořit režim školitele označte, jak má být model natrénován.
Jeden parametr: Tuto možnost zvolte, pokud už víte, jak chcete model nakonfigurovat.
Rozsah parametrů: Tuto možnost vyberte, pokud si nejste jistí nejlepšími parametry a chcete spustit úklid parametrů. Vyberte rozsah hodnot, které chcete iterovat, a hyperparametry tune modelu iteruje všechny možné kombinace nastavení, které jste zadali, a určí hyperparametry, které generují optimální výsledky.
V části Specifikace skryté vrstvy vyberte Plně připojený případ. Tato možnost vytvoří model pomocí výchozí architektury neurální sítě, která má pro model regrese neurální sítě tyto atributy:
- Síť má přesně jednu skrytou vrstvu.
- Výstupní vrstva je plně připojena ke skryté vrstvě a skrytá vrstva je plně připojena ke vstupní vrstvě.
- Počet uzlů ve skryté vrstvě může nastavit uživatel (výchozí hodnota je 100).
Vzhledem k tomu, že počet uzlů ve vstupní vrstvě je určen počtem funkcí v trénovacích datech, v regresním modelu může být ve výstupní vrstvě pouze jeden uzel.
Do pole Počet skrytých uzlů zadejte počet skrytých uzlů. Výchozí je jedna skrytá vrstva se 100 uzly. (Tato možnost není dostupná, pokud definujete vlastní architekturu pomocí Net#.)
Do pole Rychlost učení zadejte hodnotu, která definuje krok provedený při každé iteraci před opravou. Vyšší hodnota rychlosti učení může způsobit, že se model sbližuje rychleji, ale může překřestit místní minima.
V části Počet iterací učení zadejte maximální počet zpracování případů trénování algoritmem.
Do pole Dynamika zadejte hodnotu, která se použije během učení jako váha uzlů z předchozích iterací.
Pokud chcete změnit pořadí případů mezi iteracemi, vyberte možnost Příklady náhodného prohazování. Pokud tuto možnost zrušíte, případy se při každém spuštění kanálu zpracují přesně ve stejném pořadí.
Do pole Náhodné číslo seed můžete volitelně zadat hodnotu, která se použije jako počáteční. Zadání počáteční hodnoty je užitečné, pokud chcete zajistit opakovatelnost napříč spuštěními stejného kanálu.
Připojení trénovací datové sady a trénování modelu:
Pokud nastavíte Vytvořit režim školitele na jeden parametr, propojte označenou datovou sadu a komponentu Trénování modelu .
Pokud nastavíte Vytvořit režim školitele na Rozsah parametrů, připojte označenou datovou sadu a vytrénujte model pomocí ladění hyperparametrů modelu.
Poznámka
Pokud do trénování modelu předáte rozsah parametrů, použije se pouze výchozí hodnota v seznamu s jedním parametrem.
Pokud předáte jednu sadu hodnot parametrů do komponenty Tune Model Hyperparameters , pokud očekává rozsah nastavení pro každý parametr, ignoruje hodnoty a použije výchozí hodnoty pro learner.
Pokud vyberete možnost Rozsah parametrů a zadáte jednu hodnotu pro libovolný parametr, použije se tato jedna hodnota, kterou jste zadali, v průběhu úklidu, i když se jiné parametry v rozsahu hodnot mění.
Odešlete kanál.
Výsledky
Po dokončení trénování:
- Pokud chcete uložit snímek natrénovaného modelu, vyberte kartu Výstupy v pravém panelu komponenty Trénování modelu . Výběrem ikony Zaregistrovat datovou sadu uložte model jako opakovaně použitelnou komponentu.
Další kroky
Projděte si sadu komponent dostupných pro Azure Machine Learning.