neurális hálózati összetevő Two-Class
Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.
Ezzel az összetevővel hozzon létre egy neurális hálózati modellt, amely csak két értékkel rendelkező cél előrejelzésére használható.
A neurális hálózatok használatával történő besorolás felügyelt tanulási módszer, ezért címkézett adatkészletet igényel, amely egy címkeoszlopot is tartalmaz. Ezzel a neurális hálózati modellel például előrejelezheti a bináris eredményeket, például azt, hogy egy betegnek van-e egy bizonyos betegsége, vagy hogy egy gép valószínűleg meghibásodik-e egy adott időkereten belül.
Miután definiálta a modellt, betanítása egy címkézett adatkészlet és a modell bemeneteként a Modell betanítása elemhez. A betanított modell ezután az új bemenetek értékeinek előrejelzésére használható.
További információ a neurális hálózatokról
A neurális hálózat összekapcsolt rétegek halmaza. A bemenetek az első réteg, és egy súlyozott élekből és csomópontokból álló aciklikus gráf csatlakozik a kimeneti réteghez.
A bemeneti és kimeneti rétegek között több rejtett réteget is beszúrhat. A legtöbb prediktív feladat egyszerűen elvégezhető csak egy vagy néhány rejtett réteggel. A legutóbbi kutatások azonban azt mutatták, hogy a sok réteggel rendelkező mély neurális hálózatok (DNN) hatékonyak lehetnek olyan összetett feladatokban, mint a kép- vagy beszédfelismerés. Az egymást követő rétegek a szemantikai mélység növekvő szintjeinek modellezésére szolgálnak.
A bemenetek és kimenetek közötti kapcsolatot a neurális hálózat bemeneti adatokon való betanításából tanuljuk meg. A gráf iránya a bemeneti adatoktól a rejtett rétegen keresztül a kimeneti rétegig halad. A réteg összes csomópontját a súlyozott élek kötik össze a következő réteg csomópontjaival.
A hálózat kimenetének egy adott bemenethez való kiszámításához a rendszer a rejtett rétegekben és a kimeneti rétegben lévő összes csomóponton kiszámít egy értéket. Az érték az előző réteg csomópontjainak súlyozott összegének kiszámításával állítható be. Ezután egy aktiválási függvény lesz alkalmazva erre a súlyozott összegre.
Konfigurálás
Adja hozzá a kétosztályos neurális hálózati összetevőt a folyamathoz. Ezt az összetevőt a Gépi tanulásInicializálás területén, a Besorolás kategóriában találja.
A Modell betanításának módját a Tréner mód létrehozása beállítással adhatja meg.
Egyetlen paraméter: Válassza ezt a lehetőséget, ha már tudja, hogyan szeretné konfigurálni a modellt.
Paramétertartomány: Ha nem biztos a legjobb paraméterekben, az optimális paramétereket a Modell hiperparaméterek hangolása összetevővel találja meg. Megadhat néhány értéktartományt, és a tréner a beállítások több kombinációját is iterálja, hogy meghatározza az értékek kombinációját, amelyek a legjobb eredményt adják.
A Rejtett réteg specifikációja beállításnál válassza ki a létrehozni kívánt hálózati architektúra típusát.
Teljesen csatlakoztatott eset: A kétosztályos neurális hálózatokhoz definiált alapértelmezett neurális hálózati architektúrát használja az alábbiak szerint:
Egy rejtett réteggel rendelkezik.
A kimeneti réteg teljes mértékben csatlakozik a rejtett réteghez, a rejtett réteg pedig teljes mértékben kapcsolódik a bemeneti réteghez.
A bemeneti réteg csomópontjainak száma megegyezik a betanítási adatokban található funkciók számával.
A rejtett rétegben lévő csomópontok számát a felhasználó állítja be. Az alapértelmezett érték 100.
A csomópontok száma megegyezik az osztályok számával. Kétosztályos neurális hálózat esetén ez azt jelenti, hogy minden bemenetnek le kell képeznie a kimeneti réteg két csomópontjának egyikét.
A Tanulási sebesség esetében határozza meg az egyes iterációkban, a javítás előtt végrehajtott lépések méretét. A tanulási sebesség nagyobb értéke miatt a modell gyorsabban konvergálhat, de túllépheti a helyi minimumokat.
A Tanulási iterációk száma beállításnál adja meg, hogy az algoritmus legfeljebb hány alkalommal dolgozza fel a betanítási eseteket.
A kezdeti tanulási súlyok átmérője mezőben adja meg a csomópontok súlyait a tanulási folyamat elején.
A Lendület mezőben adjon meg egy súlyt, amely a tanulás során a korábbi iterációk csomópontjaira vonatkozik
Válassza a Példaszűrés lehetőséget az esetek iterációk közötti elegyezéséhez. Ha törli ezt a jelölőnégyzetet, a folyamat minden futtatásakor a rendszer pontosan ugyanabban a sorrendben dolgozza fel az eseteket.
A Véletlenszerű számmag mezőbe írjon be egy értéket, amelyet magként szeretne használni.
A magérték megadása akkor hasznos, ha biztosítani szeretné az ugyanazon folyamat futtatásai közötti megismételhetőséget. Ellenkező esetben a rendszer óraértéket használ a rendszer magként, ami a folyamat minden futtatásakor némileg eltérő eredményeket okozhat.
Vegyen fel egy címkézett adathalmazt a folyamatba, és tanítsa be a modellt:
Ha az Oktatói mód létrehozása beállítást egyetlen paraméterre állítja, csatlakoztassa a címkézett adatkészletet és a Modell betanítása összetevőt.
Ha az Oktatói mód létrehozása paramétertartomány értékre van állítva, csatlakoztassa a címkézett adatkészletet, és a modell betanítása a Modell hiperparamétereinek finomhangolása használatával.
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.
Küldje el a folyamatot.
Results (Eredmények)
A betanítás befejezése után:
A betanított modell pillanatképének mentéséhez válassza a Kimenetek lapot a Modell betanítása összetevő jobb oldali paneljén. Válassza az Adathalmaz regisztrálása ikont a modell újrafelhasználható összetevőként való mentéséhez.
A modell pontozáshoz való használatához adja hozzá a Score Model összetevőt egy folyamathoz.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket .
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: