Megosztás a következőn keresztül:

Többosztályos súlyozott döntési fa

  • Cikk

Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.

Ezzel az összetevővel olyan gépi tanulási modellt hozhat létre, amely a megnövelt döntési fák algoritmusán alapul.

A kiemelt döntési fa egy olyan együttes tanulási módszer, amelyben a második fa az első fa hibáit, a harmadik fa pedig az első és a második fa hibáit korrigálja, és így tovább. Az előrejelzések a fák együttesén alapulnak.

Konfigurálás

Ez az összetevő létrehoz egy nem betanított besorolási modellt. Mivel a besorolás felügyelt tanulási módszer, szüksége van egy címkézett adatkészletre , amely tartalmaz egy címkeoszlopot, amely minden sorhoz tartalmaz értéket.

Ezt a típust a Modell betanítása paranccsal taníthatja be.

  1. Adja hozzá a többosztályos kiemelt döntési fa összetevőt a folyamathoz.

  2. A Modell betanításának módját a Tréner mód létrehozása beállítással adhatja meg.

    • Egyetlen paraméter: Ha tudja, hogyan szeretné konfigurálni a modellt, argumentumként megadhat egy adott értékkészletet.

    • Paramétertartomány: Válassza ezt a lehetőséget, ha nem biztos a legjobb paraméterekben, és paraméter-takarítást szeretne futtatni. Válasszon ki egy értéktartományt, és a Modell hiperparamétereinek finomhangolása a megadott beállítások összes lehetséges kombinációját átterjedve határozza meg az optimális eredményt eredményező hiperparamétereket.

  3. A falevelek maximális száma korlátozza a fákon létrehozható terminálcsomópontok (levelek) maximális számát.

    Ennek az értéknek a növelésével növelheti a fa méretét, és nagyobb pontosságot érhet el a túlillesztés és a hosszabb betanítási idő kockázatával.

  4. A levélcsomópontonkénti minták minimális száma azoknak az eseteknek a számát jelzi, amelyek a fa bármely terminálcsomópontja (levél) létrehozásához szükségesek.

    Az érték növelésével megnövelheti az új szabályok létrehozásának küszöbértékét. Ha például az alapértelmezett érték 1, akár egyetlen esettel is létrejön egy új szabály. Ha az értéket 5-re növeli, a betanítási adatoknak legalább öt, azonos feltételeknek megfelelő esetet kell tartalmazniuk.

  5. A tanulási sebesség határozza meg a lépésméretet a tanulás során. Adjon meg egy 0 és 1 közötti számot.

    A tanulási sebesség határozza meg, hogy a tanuló milyen gyorsan vagy lassan konvergál egy optimális megoldáson. Ha a lépés mérete túl nagy, előfordulhat, hogy túllépi az optimális megoldást. Ha a lépés mérete túl kicsi, a betanítás hosszabb időt vesz igénybe a legjobb megoldás konvergálásához.

  6. A létrehozott fák száma az együttesben létrehozandó döntési fák teljes számát jelzi. További döntési fák létrehozásával jobb lefedettséget érhet el, de a betanítási idő megnő.

  7. A véletlenszerű számmag opcionálisan beállít egy nem negatív egész számot, amelyet véletlenszerű magértékként használ. A magok megadása biztosítja az azonos adatokkal és paraméterekkel rendelkező futtatások reprodukálhatóságát.

    A véletlenszerű mag alapértelmezés szerint 42-be van állítva. A különböző véletlenszerű magokat használó egymást követő futtatásoknak eltérő eredményei lehetnek.

  8. A modell betanítása:

    Megjegyzés

    Ha paramétertartományt ad át a Modell betanítása szolgáltatásnak, az csak az egyetlen paraméterlistában szereplő alapértelmezett értéket használja.

    Ha egyetlen paraméterérték-készletet ad át a Modell hiperparaméterek hangolása összetevőnek, amikor az az egyes paraméterekre vonatkozó beállítástartományt vár, figyelmen kívül hagyja az értékeket, és az alapértelmezett értékeket használja a tanulóhoz.

    Ha a Paramétertartomány lehetőséget választja, és egyetlen értéket ad meg bármely paraméterhez, akkor a rendszer az adott értéket használja a takarítás során, még akkor is, ha más paraméterek egy értéktartományon belül változnak.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket .