Two-Class součást Averaged Perceptron
Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.
Tato komponenta slouží k vytvoření modelu strojového učení založeného na algoritmu průměrného perceptronu.
Tento klasifikační algoritmus je metoda učení pod dohledem a vyžaduje označenou datovou sadu, která obsahuje sloupec popisku. 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.
O průměrovaných modelech perceptron
Metoda averaged perceptron je časná a jednoduchá verze neurální sítě. V tomto přístupu se vstupy klasifikují do několika možných výstupů na základě lineární funkce a pak se zkombinují se sadou vah, které jsou odvozené od vektoru funkce – odtud název "perceptron".
Jednodušší modely perceptronu jsou vhodné pro učení lineárně oddělitelných vzorů, zatímco neurální sítě (zejména hluboké neurální sítě) mohou modelovat složitější hranice tříd. Perceptrony jsou však rychlejší, a protože zpracovávají případy sériově, je možné perceptrony používat s průběžným trénováním.
Konfigurace Two-Class Averaged Perceptron
Přidejte do kanálu komponentu Two-Class Averaged Perceptron .
Nastavením možnosti Vytvořit režim školitele určete, jak má být model vytrénován.
Jeden parametr: Pokud víte, jak chcete model nakonfigurovat, zadejte jako argumenty konkrétní sadu hodnot.
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 Rychlost učení zadejte hodnotu pro rychlost učení. Hodnoty rychlosti učení řídí velikost kroku, který se používá při stochastickém gradientním sestupu při každém testování a opravě modelu.
Když rychlost zmenšíte, testujete model častěji s rizikem, že se uvíznete v místní plošině. Když krok zvětšíte, můžete konvergovat rychleji, a to s rizikem překročení skutečného minima.
Do pole Maximální počet iterací zadejte, kolikrát má algoritmus zkoumat trénovací data.
Brzké zastavení často poskytuje lepší generalizaci. Zvýšení počtu iterací zlepšuje přizpůsobení s rizikem přeurčení.
V případě náhodného číselného počátečního čísla volitelně zadejte celočíselnou hodnotu, která se má použít jako počáteční hodnota. Pokud chcete zajistit reprodukovatelnost kanálu napříč spuštěními, doporučujeme použít počáteční hodnoty.
Připojte trénovací datovou sadu a vytrénujte model:
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.
Další kroky
Projděte si sadu komponent dostupných pro Azure Machine Learning.