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.

1. Adja hozzá a kétosztályos támogatási vektorgép-összetevőt a folyamathoz.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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 .