Zprůměrovaný perceptron se dvěma třídami
Důležité
Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.
Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).
- Podívejte se na informace o přesunu projektů strojového učení z ML Studia (klasického) do Azure Machine Learning.
- Další informace o Azure Machine Learning.
Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.
Vytvoří zprůměrovaný binární klasifikační model perceptronu.
Kategorie: Machine Learning / Inicializovat model / klasifikaci
Poznámka
Platí pro: Machine Learning Studio (classic)
Podobné moduly s přetahováním jsou k dispozici v Azure Machine Learning návrháři.
Přehled modulu
Tento článek popisuje, jak pomocí modulu zprůměrovaný perceptron se dvěma třídami v Machine Learning Studiu (klasickém) vytvořit model strojového učení založený na průměrném algoritmu perceptronu.
Tento klasifikační algoritmus je metoda učení se dohledem a vyžaduje označenou datovou sadu, která obsahuje sloupec popisku. Model můžete vytrénovat tak, že model a datovou sadu se značkou poskytnete jako vstup pro trénování modelu nebo ladění hyperparametrů modelu. Vytrénovaný model pak můžete použít k předpovídání hodnot nových vstupních příkladů.
Další informace o zprůměrovaných modelech perceptronů
Zprůměrovaná metoda perceptronu je raná a velmi jednoduchá verze neurální sítě. Při tomto přístupu se vstupy klasifikují do několika možných výstupů na základě lineární funkce a pak se zkombinují se sadu vázemi odvozenými od vektoru vlastností, a proto se jedná o 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, lze perceptrony používat s průběžným trénováním.
Konfigurace průměrného Two-Class perceptronu
Přidejte modul zprůměrovaný perceptron se dvěma třídami do experimentu v nástroji Studio (classic).
Nastavením možnosti Vytvořit režim školitele určete, jak chcete model vytrénovat.
Jeden parametr: Pokud víte, jak chcete model nakonfigurovat, zadejte konkrétní sadu hodnot jako argumenty.
Rozsah parametrů: Pokud nevíte, které parametry jsou nejlepší, najděte optimální parametry zadáním více hodnot a použitím modulu Ladění hyperparametrů modelu najděte optimální konfiguraci. Školitel iteruje přes několik kombinací nastavení, která jste poskytli, a určuje kombinaci hodnot, které vytváří nejlepší model.
Jako Učení rychlosti zadejte hodnotu pro rychlost učení. Hodnoty rychlosti učení řídí velikost kroku, který se používá v stochastickém gradientním sestupu při každém testování a opravě modelu.
Když rychlost zkrátíte, model budete testovat častěji s rizikem, že se zaseknete na místní nádrži. Když tento krok zvětšíte, můžete ho zrychlit s rizikem řešení potíží se skutečným minimem.
V části Maximální počet iterací zadejte, kolikrát má algoritmus zkoumat trénovací data.
Včasné zastavení často poskytuje lepší zobecnění. Zvýšení počtu iterací zlepšuje fitování s rizikem přeučení.
V poli Přediména náhodného čísla volitelně zadejte celočíselnou hodnotu, která se použije jako přediména. Pokud chcete zajistit reprodukovatelnost experimentu napříč běhy, doporučujeme použít počáteční hodnotu.
Výběrem možnosti Povolit neznámé úrovně kategorií vytvořte skupinu pro neznámé hodnoty v trénovací a ověřovací skupině. Model může být pro známé hodnoty méně přesný, ale může poskytovat lepší předpovědi pro nové (neznámé) hodnoty.
Pokud výběr této možnosti zrušíte, může model přijmout pouze hodnoty, které jsou obsaženy v trénovací data.
Připojení trénovací datovou sadu a jeden z školicích modulů:
Pokud nastavíte Vytvořit režim školitele na Jeden parametr, použijte modul Trénování modelu.
Pokud nastavíte Vytvořit režim školitelena Rozsah parametrů, použijte modul Tune Model Hyperparameters (Vyladit model hyperparametrů ).
Poznámka
Pokud předáte rozsah parametrů do trénového modelu, použije se pouze první hodnota v seznamu rozsahů parametrů.
Pokud modulu Vyladění modelu hyperparametrů předáte jednu sadu hodnot parametrů, bude modul, který očekává rozsah nastavení pro každý parametr, ignorovat tyto hodnoty a použije výchozí hodnoty pro toho, kdo se učí.
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 změní.
Výsledky
Po dokončení trénování:
- Pokud chcete zobrazit souhrn parametrů modelu spolu s váhami vlastností naučenými při trénování, klikněte pravým tlačítkem na výstup Trénování modelu nebo Vyladit hyperparametry modelu.
Příklady
Příklady použití tohoto algoritmu učení najdete v Azure AI Gallery:
- Ukázka křížového ověření binárních klasifikátorů: Porovnává několik klasifikačních modelů.
Technické poznámky
Tato část obsahuje podrobnosti o implementaci, tipy a odpovědi na nejčastější dotazy.
Tipy k používání
U tohoto typu modelu je osvědčeným postupem normalizovat datové sady před jejich použitím k trénování klasifikátoru. Možnosti normalizace najdete v tématu Normalizace dat.
Zprůměrovaný model perceptronu je časná a zjednodušená verze neurálních sítí. Proto funguje dobře na jednoduchých datových sadách, když je vaším cílem rychlost vyšší než přesnost. Pokud ale požadované výsledky nezískáme, vyzkoušejte jeden z těchto modelů:
Neurální síť se dvěma třídami nebo neurální síť s více třídami
Logistická regrese se dvěma třídami nebo vícetřídová logistická regrese
Parametry modulu
| Name | Rozsah | Typ | Výchozí | Description |
|---|---|---|---|---|
| Rychlost učení | >=double. Epsilon | Float | 1.0 | Počáteční rychlost učení stochastického optimalizátoru gradientního sestupu. |
| Maximální počet iterací | >=1 | Integer | 10 | Počet stochastických iterací gradientního sestupu, které se budou provádět přes trénovací datovou sadu. |
| Přediména náhodného čísla | Všechny | Integer | Přediména generátoru náhodných čísel používaného modelem. Ponechte výchozí hodnotu prázdnou. | |
| Povolit neznámé úrovně kategorií | Všechny | Logická hodnota | Ano | Pokud je true, vytvoří další úroveň pro každý sloupec kategorií. Všechny úrovně v testovací datové sadě, které nejsou k dispozici v trénovací datové sadě, se mapují na tuto další úroveň. |
Výstup
| Název | Typ | Description |
|---|---|---|
| Model bez trénování | ILearner – rozhraní | Netrénovaný binární klasifikační model, který lze připojit k modulům 1-versus-all Multiclass, Trénování modelu nebo Křížové ověření modelu. |