Többosztályos súlyozott döntési fa
Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.
Ezzel az összetevővel olyan gépi tanulási modellt hozhat létre, amely a megnövelt döntési fák algoritmusán alapul.
A megnövelt döntési fa egy együttes tanulási módszer, amelyben a második fa kijavítja az első fa hibáit, a harmadik fa az első és a második fa hibáit, és így tovább. Az előrejelzések a fák együttesén alapulnak.
Konfigurálás
Ez az összetevő egy nem betanított besorolási modellt hoz létre. Mivel a besorolás felügyelt tanulási módszer, olyan címkézett adatkészletre van szüksége, amely tartalmaz egy címkeoszlopot, amely az összes sor értékét tartalmazza.
Az ilyen típusú modellek betanítása a Modell betanítása funkcióval történik.
Adja hozzá a többosztályos emelt döntési fa összetevőt a folyamathoz.
A Modell betanításának módját az Oktató létrehozása mód beállításával adhatja meg.
Egyetlen paraméter: Ha tudja, hogyan szeretné konfigurálni a modellt, megadhat 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 falevelek maximális száma korlátozza a fákon létrehozható terminálcsomópontok (levelek) maximális számát.
Az érték növelésével növelheti a fa méretét, és nagyobb pontosságot érhet el a túlillesztés és a hosszabb betanítási idő kockázatával.
A levélcsomópontonkénti minták minimális száma azt jelzi, hogy hány eset szükséges a terminálcsomópont (levél) fában való létrehozásához.
Az érték növelésével növeli az új szabályok létrehozásának küszöbértékét. Ha például az alapértelmezett érték 1, akkor akár egyetlen eset is létrehozhat egy új szabályt. Ha az értéket 5-re növeli, a betanítási adatoknak legalább öt, azonos feltételeknek megfelelő esetet kell tartalmazniuk.
A tanulási sebesség határozza meg a lépés méretét a tanulás során. Adjon meg egy 0 és 1 közötti számot.
A tanulási sebesség határozza meg, hogy a tanuló milyen gyorsan vagy lassan konvergál egy optimális megoldáson. Ha a lépés mérete túl nagy, előfordulhat, hogy túllépi az optimális megoldást. Ha a lépés mérete túl kicsi, a betanítás hosszabb ideig tart, amíg a legjobb megoldáshoz vezet.
A létrehozott fák száma az együttesben létrehozandó döntési fák teljes számát jelzi. További döntési fák létrehozásával jobb lefedettséget érhet el, de a betanítási idő nőni fog.
A véletlenszerű számmag opcionálisan beállít egy nem negatív egész számot, amelyet véletlenszerű magértékként használ. A mag megadása biztosítja a reprodukálhatóságot az azonos adatokkal és paraméterekkel rendelkező futtatások között.
A véletlenszerű mag alapértelmezés szerint 42.. A különböző véletlenszerű magokat használó egymást követő futtatásoknak eltérő eredményei lehetnek.
A modell betanítása:
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.