Komponenta neurální sítě se dvěma třídami
Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.
Tato komponenta slouží k vytvoření modelu neurální sítě, který lze použít k predikci cíle, který má pouze dvě hodnoty.
Klasifikace pomocí neurálních sítí je metoda učení pod dohledem, a proto vyžaduje označenou datovou sadu, která obsahuje sloupec popisku. Pomocí tohoto modelu neurální sítě můžete například předpovědět binární výsledky, jako je například to, jestli má pacient určité onemocnění nebo jestli počítač pravděpodobně selže v zadaném časovém intervalu.
Jakmile model definujete, natrénujte ho tak, že jako vstup pro trénování modelu zadáte označenou datovou sadu a model. Vytrénovaný model se pak dá použít k predikci hodnot pro nové vstupy.
Další informace o neurálních sítích
Neurální síť je sada vzájemně propojených vrstev. Vstupy jsou první vrstvou a jsou připojeny k výstupní vrstvě cyklickým grafem, který se skládá z vážených okrajů a uzlů.
Mezi vstupní a výstupní vrstvy můžete vložit více skrytých vrstev. Většinu prediktivních úloh je možné snadno provést pouze s jednou nebo několika skrytými vrstvami. Nedávný výzkum však ukázal, že hluboké neurální sítě (DNN) s mnoha vrstvami můžou být efektivní ve složitých úlohách, jako je rozpoznávání obrázků nebo řeči. Následující vrstvy se používají k modelování rostoucích úrovní sémantické hloubky.
Vztah mezi vstupy a výstupy se učí z trénování neurální sítě na vstupních datech. Směr grafu pokračuje ze vstupů přes skrytou vrstvu a do výstupní vrstvy. Všechny uzly ve vrstvě jsou propojené váženými hrany k uzlům v další vrstvě.
Pro výpočet výstupu sítě pro určitý vstup se na každém uzlu ve skrytých vrstvách a ve výstupní vrstvě vypočítá hodnota. Hodnota je nastavena výpočtem váženého součtu hodnot uzlů z předchozí vrstvy. Aktivační funkce se pak použije na tento vážený součet.
Způsob konfigurace
Přidejte do kanálu komponentu neurální sítě se dvěma třídami. Tuto komponentu najdete v části Machine Learning( Inicializace) v kategorii Klasifikace .
Určete, jak chcete model trénovat, nastavením možnosti Vytvořit režim trenéra.
Jeden parametr: Tuto možnost zvolte, pokud už víte, jak chcete model nakonfigurovat.
Rozsah parametrů: Pokud si nejste jistí nejlepšími parametry, můžete optimální parametry najít pomocí komponenty Tune Model Hyperparameters . Zadáte určitý rozsah hodnot a trenér iteruje více kombinací nastavení, aby určil kombinaci hodnot, které vedou k dosažení nejlepšího výsledku.
Pro specifikaci skryté vrstvy vyberte typ síťové architektury, kterou chcete vytvořit.
Plně připojený případ: Používá výchozí architekturu neurální sítě definovanou pro neurální sítě se dvěma třídami následujícím způsobem:
Má jednu skrytou vrstvu.
Výstupní vrstva je plně připojená ke skryté vrstvě a skrytá vrstva je plně připojená ke vstupní vrstvě.
Počet uzlů ve vstupní vrstvě se rovná počtu funkcí v trénovacích datech.
Počet uzlů ve skryté vrstvě nastaví uživatel. Výchozí hodnota je 100.
Počet uzlů se rovná počtu tříd. U neurální sítě se dvěma třídami to znamená, že všechny vstupy musí být namapované na jeden ze dvou uzlů ve výstupní vrstvě.
Pro rychlost učení před opravou definujte velikost kroku provedeného při každé iteraci. Větší hodnota pro rychlost učení může způsobit rychlejší sblížení modelu, ale může překládat místní minima.
V části Počet iterací učení zadejte maximální počet, kolikrát má algoritmus zpracovávat trénovací případy.
V případě průměru počáteční hmotnosti učení zadejte na začátku procesu učení váhy uzlů.
Pro dynamiku určete váhu, která se má použít při učení na uzly z předchozích iterací.
Vyberte možnost Prohazování příkladů pro náhodné prohazování případů mezi iteracemi. Pokud tuto možnost zrušíte, případy se zpracovávají přesně ve stejném pořadí při každém spuštění kanálu.
Jako počáteční hodnotu náhodného čísla zadejte hodnotu, která se má použít jako počáteční hodnota.
Zadání počáteční hodnoty je užitečné, když chcete zajistit opakovatelnost napříč spuštěními stejného kanálu. Jinak se jako počáteční hodnota použije systémová hodnota hodin, která může při každém spuštění kanálu způsobit mírně odlišné výsledky.
Přidejte do kanálu datovou sadu s popiskem a vytrénujte model:
Pokud nastavíte režim Vytvořit trenéra na Jeden parametr, připojte označenou datovou sadu a komponentu Train Model .
Pokud nastavíte režim Vytvořit trenéra na rozsah parametrů, připojte označenou datovou sadu a vytrénujte model pomocí hyperparametrů ladění modelu.
Poznámka:
Pokud do trénování modelu předáte rozsah parametrů, použije pouze výchozí hodnotu v seznamu parametrů.
Pokud předáte jednu sadu hodnot parametrů komponentě Tune Model Hyperparameters , pokud očekává rozsah nastavení pro každý parametr, ignoruje hodnoty a použije výchozí hodnoty pro žáka.
Pokud vyberete možnost Rozsah parametrů a zadáte jednu hodnotu pro libovolný parametr, použije se v rámci úklidu zadaná jedna hodnota, i když se v rozsahu hodnot změní jiné parametry.
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.
Pokud chcete použít model pro bodování, přidejte do kanálu komponentu Určení skóre modelu .
Další kroky
Podívejte se na sadu komponent dostupných pro Azure Machine Learning.