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

1. Adja hozzá a kétosztályos neurális hálózati összetevőt a folyamathoz. Ezt az összetevőt a Gépi tanulásInicializálás területén, a Besorolás kategóriában találja.

2. 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.

3. 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.

4. 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.

5. A Tanulási iterációk száma beállításnál adja meg, hogy az algoritmus legfeljebb hány alkalommal dolgozza fel a betanítási eseteket.

6. A kezdeti tanulási súlyok átmérője mezőben adja meg a csomópontok súlyait a tanulási folyamat elején.

7. A Lendület mezőben adjon meg egy súlyt, amely a tanulás során a korábbi iterációk csomópontjaira vonatkozik

8. 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.

9. 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.

10. 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.

11. 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 .