komponenta neurální sítě Two-Class
Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.
Pomocí této komponenty můžete vytvořit model neurální sítě, který se dá použít k predikci cíle, který má pouze dvě hodnoty.
Klasifikace pomocí neurálních sítí je metoda učení se supervizí, a proto vyžaduje označenou datovou sadu, která obsahuje sloupec popisku. Tento model neurální sítě můžete například použít k predikci binárních výsledků, jako je to, jestli má pacient určité onemocnění nebo jestli počítač pravděpodobně selže v zadaném časovém intervalu.
Po definování modelu ho vytrénujte tak, že zadáte označenou datovou sadu a model jako vstup pro trénování modelu. Natrénovaný 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 pomocí acyklického grafu, který se skládá z vážených hran a uzlů.
Mezi vstupní a výstupní vrstvu můžete vložit několik skrytých vrstev. Většinu prediktivních úloh lze snadno provádět pouze s jednou nebo několika skrytými vrstvami. Nedávný výzkum ale ukázal, že hluboké neurální sítě (DNN) s mnoha vrstvami mohou být efektivní při složitých úlohách, jako je rozpoznávání obrázků nebo řeči. Následné 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 od vstupů přes skrytou vrstvu do výstupní vrstvy. Všechny uzly ve vrstvě jsou pomocí vážených hran propojeny s uzly v další vrstvě.
Při výpočtu výstupu sítě pro konkrétní vstup se na každém uzlu ve skrytých vrstvách a ve výstupní vrstvě vypočítá hodnota. Hodnota se nastavuje výpočtem váženého součtu hodnot uzlů z předchozí vrstvy. Na tento vážený součet se pak použije aktivační funkce.
Způsob konfigurace
Přidejte do svého kanálu komponentu Neurální síť se dvěma třídami . Tuto komponentu najdete v kategorii Klasifikace v části Machine Learning, Initialize(Inicializace).
Určete, jak se má model trénovat, nastavením možnosti Vytvořit režim školitele .
Jeden parametr: Tuto možnost zvolte, pokud už víte, jak chcete model nakonfigurovat.
Rozsah parametrů: Pokud si nejste jisti nejlepšími parametry, můžete optimální parametry najít pomocí komponenty Tune Model Hyperparameters . Zadáte určitý rozsah hodnot a školitel iteruje několik kombinací nastavení, aby určil kombinaci hodnot, která vede k nejlepšímu výsledku.
V části Specifikace skryté vrstvy vyberte typ síťové architektury, kterou chcete vytvořit.
Plně propojený případ: Používá výchozí architekturu neurální sítě definovanou pro neurální sítě se dvěma třídami takto:
Má jednu skrytou vrstvu.
Výstupní vrstva je plně připojena ke skryté vrstvě a skrytá vrstva je plně připojena ke vstupní vrstvě.
Počet uzlů ve vstupní vrstvě se rovná počtu funkcí v trénovacích datech.
Počet uzlů ve skryté vrstvě nastavuje uživatel. Výchozí hodnota je 100.
Počet uzlů se rovná počtu tříd. U neurální sítě se dvěma třídami to znamená, že všechny vstupy musí být mapované na jeden ze dvou uzlů ve výstupní vrstvě.
V části Rychlost učení definujte velikost kroku provedeného při každé iteraci před opravou. Vyšší hodnota rychlosti učení může způsobit, že model konverguje rychleji, ale může přebít místní minima.
V poli Počet iterací učení zadejte maximální počet zpracování případů trénování algoritmem.
V poli Průměr počátečních závaží učení zadejte hmotnost uzlů na začátku procesu učení.
V poli Moment určete váhu, která se má použít při učení na uzly z předchozích iterací.
Pokud chcete náhodně prohazovat případy mezi iteracemi, vyberte možnost Příklady náhodného prohazování. Pokud výběr této možnosti zrušíte, případy se při každém spuštění kanálu zpracovávají v naprosto stejném pořadí.
V části Náhodné počáteční číslo zadejte hodnotu, která se má použít jako počáteční hodnota.
Zadání počáteční hodnoty je užitečné, pokud chcete zajistit opakovatelnost napříč spuštěními stejného kanálu. Jinak se jako počáteční hodnota použije hodnota systémových hodin, což může při každém spuštění kanálu způsobit mírně odlišné výsledky.
Přidejte do kanálu datovou sadu s popiskem 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 hyperparametrů vyladit model.
Poznámka
Pokud předáte rozsah parametrů trénování modelu, použije se pouze výchozí hodnota v seznamu jednotlivých parametrů.
Pokud předáte jednu sadu hodnot parametrů komponentě Tune Model Hyperparameters , když očekává rozsah nastavení pro každý parametr, ignoruje hodnoty a použije výchozí hodnoty pro učícího se.
Pokud vyberete možnost Rozsah parametrů a zadáte jednu hodnotu pro libovolný parametr, použije se tato zadaná hodnota v průběhu úklidu, a to i v případě, že se jiné parametry v rámci 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.
Pokud chcete model použít k bodování, přidejte do kanálu komponentu Určení skóre modelu .
Další kroky
Podívejte se na sadu komponent dostupných pro Azure Machine Learning.