Kétosztályos átlagolt perceptron összetevő
Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.
Ezzel az összetevővel létrehozhat egy gépi tanulási modellt az átlagos perceptron algoritmus alapján.
Ez a besorolási algoritmus egy felügyelt tanulási módszer, és címkézett adatkészletet igényel, amely tartalmaz egy címkeoszlopot. A modellt úgy taníthatja be, hogy bemenetként megadja a modellt és a címkézett adatkészletet a Modell betanítása szolgáltatáshoz. A betanított modell ezután az új bemeneti példák értékeinek előrejelzésére használható.
Az átlagolt perceptronmodellek ismertetése
Az átlagolt perceptron metódus egy neurális hálózat korai és egyszerű verziója. Ebben a megközelítésben a bemenetek lineáris függvény alapján több lehetséges kimenetbe vannak besorolva, majd a funkcióvektorból származtatott súlyokkal kombinálva – így a "perceptron" névvel.
Az egyszerűbb perceptronmodellek lineárisan elválasztható minták tanulására alkalmasak, míg a neurális hálózatok (különösen a mély neurális hálózatok) összetettebb osztályhatárokat modellezhetnek. A perceptronok azonban gyorsabbak, és mivel az eseteket sorosan dolgozzák fel, a perceptronok folyamatos betanítással használhatók.
Kétosztályos átlagolt perceptron konfigurálása
Adja hozzá a kétosztályos átlagolt perceptron összetevőt a folyamathoz.
Adja meg a modell betanításának módját a Kiképző létrehozása mód beállításával.
Egyetlen paraméter: Ha tudja, hogyan szeretné konfigurálni a modellt, adjon meg egy adott értékhalmazt argumentumként.
Paramétertartomány: Válassza ezt a lehetőséget, ha nem biztos a legjobb paraméterekben, és szeretne paraméter-takarítást futtatni. Válasszon ki egy iterátumhoz szükséges értéktartományt, és a modell hiperparamétereinek finomhangolása a megadott beállítások összes lehetséges kombinációját átszűri az optimális eredményt eredményező hiperparaméterek meghatározásához.
A tanulási sebességhez adja meg a tanulási sebesség értékét. A tanulási sebesség értékei a sztochasztikus gradiens-süllyedésben használt lépés méretét vezérlik minden alkalommal, amikor a modellt tesztelik és kijavítják.
A sebesség csökkentése révén gyakrabban teszteli a modellt, azzal a kockázattal, hogy elakadhat egy helyi fennsíkon. A lépés nagyobbá tételével gyorsabban konvergálhat, azzal a kockázattal, hogy túllépi a valódi minimális értéket.
Az iterációk maximális számához írja be, hogy az algoritmus hányszor vizsgálja meg a betanítási adatokat.
A korai leállítás gyakran jobb általánosítást biztosít. Az iterációk számának növelése javítja az illesztést, a túlillesztés kockázatával.
Véletlenszámú magok esetén szükség esetén írjon be egy egész számértéket, amelyet magként szeretne használni. A mag használata akkor ajánlott, ha biztosítani szeretné a folyamat reprodukálhatóságát a futtatások között.
Csatlakoztassa a betanítási adatkészletet, és tanítsa be a modellt:
Ha a Kiképző létrehozása módot egyetlen paraméterre állítja, csatlakoztassa a címkézett adatkészletet és a Modell betanítása összetevőt.
Ha paramétertartományra állítja a Kiképző létrehozása módot, csatlakoztassa a címkézett adatkészletet, és betanítsa a modellt a modell hiperparamétereinek finomhangolásával.
Feljegyzés
Ha paramétertartományt ad át a modell betanítása gombra, az csak az egyetlen paraméterlistában szereplő alapértelmezett értéket használja.
Ha egyetlen paraméterértéket ad át a Modell hiperparaméterek hangolása összetevőnek, amikor az egyes paraméterekhez egy beállítástartományt vár, figyelmen kívül hagyja az értékeket, és az alapértelmezett értékeket használja a tanuló számára.
Ha a Paramétertartomány lehetőséget választja, és egyetlen értéket ad meg bármely paraméterhez, akkor a rendszer a takarítás során az ön által megadott egyetlen értéket használja, még akkor is, ha más paraméterek egy értéktartományon belül változnak.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket.