Two-Class Vector Machine-összetevő támogatása
Ez a cikk az Azure Machine Learning-tervező egy összetevőjét ismerteti.
Ezzel az összetevővel olyan modellt hozhat létre, amely a támogatóvektor-gépi algoritmuson alapul.
A támogatóvektor-gépek (SVM-ek) a felügyelt tanulási módszerek jól kutatott osztályai. Ez a konkrét megvalósítás két lehetséges eredmény előrejelzésére alkalmas, folyamatos vagy kategorikus változók alapján.
A modellparaméterek definiálása után betanítsa a modellt a betanítási összetevők használatával, és adjon meg egy címkét vagy eredményoszlopot tartalmazó címkézett adatkészletet .
Tudnivalók a támogatóvektor-gépekről
A támogatóvektor-gépek a gépi tanulási algoritmusok közül a legkorábbiak közé tartoznak, és az SVM-modelleket számos alkalmazásban használták, az információlekéréstől a szöveg- és képbesorolásig. Az SVM-eket besorolási és regressziós feladatokhoz is használhatja.
Ez az SVM-modell egy felügyelt tanulási modell, amely címkézett adatokat igényel. A betanítási folyamat során az algoritmus elemzi a bemeneti adatokat, és felismeri a mintákat egy hipersík nevű többdimenziós funkciótérben. Minden bemeneti példa pontként jelenik meg ebben a térben, és úgy van leképezve a kimeneti kategóriákra, hogy a kategóriákat a lehető legszélesebbre osztja, és a lehető legnagyobb rést törölje.
Az előrejelzéshez az SVM-algoritmus új példákat rendel hozzá az egyik vagy a másik kategóriához, és megfelelteti őket ugyanabba a térbe.
Konfigurálás
Ehhez a modelltípushoz ajánlott normalizálni az adathalmazt, mielőtt az osztályozó betanítására használnám.
Adja hozzá a kétosztályos támogatási vektorgép-összetevőt a folyamathoz.
A Modell betanításának módját az Oktatói mód létrehozása beállítással adhatja meg.
Egyetlen paraméter: Ha tudja, hogyan szeretné konfigurálni a modellt, argumentumként megadhat egy adott értékkészletet.
Paramétertartomány: Ha nem biztos a legjobb paraméterekben, a Modell hiperparaméterek hangolása összetevővel megtalálhatja az optimális paramétereket. Meg kell adnia néhány értéktartományt, és a tréner a beállítások több kombinációját is iterálja, hogy meghatározza a legjobb eredményt eredményező értékek kombinációját.
Az Iterációk száma mezőbe írjon be egy számot, amely a modell készítésekor használt iterációk számát jelöli.
Ez a paraméter a betanítási sebesség és a pontosság közötti kompromisszum szabályozására használható.
Lambda esetén írjon be egy értéket, amelyet az L1-es regináláshoz használjon súlyként.
Ez a szabályozási együttható használható a modell finomhangolásához. A nagyobb értékek az összetettebb modelleket büntetik.
Válassza a Szolgáltatások normalizálása lehetőséget, ha a betanítás előtt normalizálni szeretné a funkciókat.
Ha normalizálást alkalmaz, a betanítás előtt az adatpontok középértékre vannak igazítva, és egy szórásegységre vannak skálázva.
Válassza a Project to the unit sphere (Projekt az egység gömbjére) lehetőséget az együtthatók normalizálásához.
Az értékek egységtérre való kivetítése azt jelenti, hogy a betanítás előtt az adatpontok 0-ra vannak állítva, és egy szórásegységre vannak skálázva.
A Véletlenszerű számmag mezőbe írjon be egy egész számot, amelyet magként szeretne használni, ha biztosítani szeretné a futtatások közötti reprodukálhatóságot. Ellenkező esetben a rendszeróra-értékeket a rendszer magként használja, ami némileg eltérő eredményeket eredményezhet a futtatások között.
Egy címkézett adathalmaz csatlakoztatása és a modell betanítása:
Ha a Create trainer mode (Oktató létrehozása) módotegyetlen paraméterre állítja, csatlakoztassa a címkézett adatkészletet és a Train Model (Modell betanítása) összetevőt.
Ha a Create trainer mode (Tréner létrehozása) módotParamétertartomány értékre állítja, 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 hiperparamétereinek finomhangolása összetevőnek, amikor az minden paraméterhez 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 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 Modell pontozása 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: