Gemitteltes Perzeptron mit zwei Klassen

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

• Siehe Migrieren zu Azure Machine Learning
• Weitere Informationen zu Azure Machine Learning.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Erstellt ein binäres Klassifizierungsmodell des Typs "gemitteltes Perzeptron"

Kategorie: Machine Learning/Modell initialisieren/Klassifizierung

Hinweis

Gilt für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das Modul Two-Class Averaged Perceptron in Machine Learning Studio (classic) verwenden, um ein Machine Learning-Modell basierend auf dem gemittelten Perzepronalgorithmus zu erstellen.

Dieser Klassifizierungsalgorithmus ist eine überwachte Lernmethode und erfordert ein mit Tags versehenes Dataset, das eine Bezeichnungsspalte enthält. Sie können das Modell trainieren, indem Sie das Modell und das markierte Dataset als Eingabe für Train Model oderTune Model Hyperparameters bereitstellen. Das trainierte Modell kann anschließend verwendet werden, um Werte für neue Eingabebeispiele vorherzusagen.

Weitere Informationen zu gemittelten Perzepronmodellen

Die gemittelte Perzepronmethode ist eine frühe und sehr einfache Version eines neuronalen Netzes. Bei diesem Ansatz werden Eingaben basierend auf einer linearen Funktion in mehrere mögliche Ausgaben klassifiziert und dann mit einem Satz Gewichtungen kombiniert, die aus dem Featurevektor abgeleitet werden – daher der Name „Perzeptron“.

Die einfacheren Perzeptronmodelle eignen sich zum Lernen linear trennbarer Muster, während neuronale Netze (insbesondere tiefe neuronale Netze) komplexere Klassengrenzen modellieren können. Allerdings sind Perzeptrone schneller, und weil sie Fälle seriell verarbeiten, können Perzeptrone kontinuierlich trainiert verwendet.

Gewusst wie: Konfigurieren eines gemittelten Perzeptrons mit zwei Klassen

1. Fügen Sie ihrem Experiment in Studio (klassisch) das Modul Two-Class Averaged Perceptron hinzu.

2. Geben Sie an, wie das Modell trainiert werden soll, indem Sie die Option Create trainer mode (Trainermodus erstellen) aktivieren.

   • Single Parameter (Einzelner Parameter): Wenn Sie wissen, wie Sie das Modell konfigurieren möchten, geben Sie eine bestimmte Menge von Werten als Argumente an.

   • Parameterbereich: Wenn Sie sich der besten Parameter nicht sicher sind, suchen Sie die optimalen Parameter, indem Sie mehrere Werte angeben und das Modul Tune Model Hyperparameters verwenden, um die optimale Konfiguration zu finden. Der Trainer durch iteriert mehrere Kombinationen der von Ihnen angegebenen Einstellungen und bestimmt die Kombination der Werte, die das beste Modell erzeugen.

3. Geben Sie für Learning rate (Lernrate) einen Wert für die Lernrate an. Die Lernratenwerte steuern die Größe des Schritts, der jedes Mal für das stochastische Gradientenverfahren verwendet wird, wenn das Modell getestet und korrigiert wird

   Indem Sie die Rate verkleinern, testen Sie das Modell häufiger, mit dem Risiko, dass Sie auf einem lokalen Plateau hängen bleiben. Mit größeren Schritten können Sie schneller konvergieren, mit dem Risiko, den echten Mindestwert zu unterschreiten.

4. Geben Sie für Maximum number of iterations (Maximale Anzahl von Iterationen) die Häufigkeit ein, mit der der Algorithmus die Trainingsdaten überprüfen soll.

   Ein frühes Stoppen bietet oft eine bessere Generalisierung. Ein Erhöhen der Anzahl von Iterationen verbessert die Anpassung, mit dem Risiko der Überanpassung.

5. Geben Sie für Random number seed (Zufällig gewählter Startwert) optional einen ganzzahligen Wert ein, der als Startwert verwendet wird. Sie sollten einen Startwert verwenden, wenn Sie die Ausführungen übergreifende Reproduzierbarkeit des Experiments sicherstellen möchten.

6. Wählen Sie die Option Unbekannte Kategorische Ebenen zulassen aus, um eine Gruppe für unbekannte Werte in den Trainings- und Validierungssätzen zu erstellen. Das Modell ist bei bekannten Werten u. U. weniger genau, liefert dafür jedoch bessere Vorhersagen für neue (unbekannte) Werte.

   Wenn Sie diese Option deaktivieren, akzeptiert das Modell nur Werte, die in den Trainingsdaten enthalten sind.

7. Verbinden ein Trainings-Dataset und eines der Trainingsmodule:

   • Wenn Sie Create trainer mode (Trainermodus erstellen) auf Single Parameter (Einzelner Parameter) festlegen, müssen Sie das Modul Train Model (Trainieren des Modells) verwenden.

   • Wenn Sie Create trainer mode (Trainermodus erstellen) auf Parameter Range (Parameterbereich) festlegen, verwenden Sie das Modul Tune Model Hyperparameters (Abstimmen der Hyperparameter des Modells).

   Hinweis

   Wenn Sie einen Parameterbereich an Train Model übergeben, wird nur der erste Wert in der Parameterbereichsliste verwendet.

   Wenn Sie eine einzelne Reihe bestimmter Parameterwerte an das Modul Tune Model Hyperparameters übergeben und ein Bereich von Einstellungen für jeden Parameter erwartet wird, werden die Werte ignoriert und stattdessen die Standardwerte für den Learner verwendet.

   Wenn Sie die Option Parameter Range (Parameterbereich) auswählen und einen einzelnen Wert für einen beliebigen Parameter eingeben, wird dieser angegebene einzelne Wert während des gesamten Löschvorgangs verwendet, auch wenn andere Parameter in einem Wertebereich geändert werden.

Ergebnisse

Nach Abschluss des Trainings:

• Klicken Sie mit der rechten Maustaste auf die Ausgabe von Train Model (Modell trainieren) oder Tune Model Hyperparameters (Modellhyperparameter optimieren), um eine Zusammenfassung der Modellparameter zusammen mit den aus dem Training gelernten Featuregewichtungen zu erhalten.

Beispiele

Beispiele für die Verwendung dieses Lernalgorithmus finden Sie im folgenden Azure KI-Katalog:

• Beispiel für Kreuzvalidierung für binäre Klassifizierer: Vergleicht mehrere Klassifizierungsmodelle.

Technische Hinweise

Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.

Verwendungstipps

Für diesen Modelltyp ist es eine bewährte Methode, Datasets zu normalisieren, bevor sie zum Trainieren des Klassifizierers verwendet werden. Normalisierungsoptionen finden Sie unter Normalisieren von Daten.

Das Averaged Perceptron-Modell ist eine frühe und einfache Version eines neuronalen Netzes. Daher ist es für einfache Datensets gut geeignet, wenn das Ziel eine höhere Geschwindigkeit zu Lasten der Genauigkeit ist. Wenn Sie jedoch nicht die gewünschten Ergebnisse erhalten, probieren Sie eines der folgenden Modelle aus:

• Neuronales Netzwerk mit zwei Klassen oderneuronales Netz mit mehreren Klassen

• Logistische Regression mit zwei Klassen oderlogistische Regression mit mehreren Klassen

• Verstärkter Entscheidungsbaum mit zwei Klassen

Modulparameter

Name	Range	type	Standard	Beschreibung
Learning rate (Lernrate)	>=double.Epsilon	Float	1.0	Die anfängliche Lernrate für den Stochastic Gradient Descent-Optimierer (stochastischer Gradientenabfall)
Maximum number of iterations	>=1	Integer	10	Die Anzahl der über das Trainingsdataset auszuführenden Stochastic Gradient Descent-Iterationen.
Random number seed	Any	Integer		Der Ausgangswert für den Zufallszahlen-Generator, der vom Modell verwendet wird Geben Sie keinen Wert an, um den Standardwert zu verwenden.
Allow unknown categorical levels	Any	Boolean	True	Bei "True" wird eine zusätzliche Ebene für jede Kategoriespalte erstellt. Alle Ebenen im Testdataset, die nicht im Trainingsdataset zur Verfügung stehen, werden dieser zusätzlichen Ebene zugeordnet.

Output

Name	Type	BESCHREIBUNG
Untrainiertes Modell	ILearner-Schnittstelle	Ein untrainiertes binäres Klassifizierungsmodell, das mit den Modulen One-vs-All-Multiklasse, Train Model oder Cross-Validate Model verbunden werden kann.

Siehe auch

Klassifizierung
Modulliste von A bis Z