Többosztályos logisztikai regressziós összetevő

Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.

Ezzel az összetevővel logisztikai regressziós modellt hozhat létre, amely több érték előrejelzésére is használható.

A logisztikai regressziós besorolás felügyelt tanulási módszer, ezért címkézett adatkészletet igényel. A modellt úgy taníthatja be, hogy a modellt és a címkézett adatkészletet bemenetként adja meg egy olyan összetevőhöz, mint a Modell betanítása. A betanított modell ezután az új bemeneti példák értékeinek előrejelzésére használható.

Az Azure Machine Learning kétosztályos logisztikai regressziós összetevőt is biztosít, amely bináris vagy dichotóm változók besorolására alkalmas.

Tudnivalók a többosztályos logisztikai regresszióról

A logisztikai regresszió egy jól ismert statisztikai módszer, amely az eredmény valószínűségének előrejelzésére szolgál, és népszerű a besorolási feladatokhoz. Az algoritmus az adatok logisztikai függvényhez való illesztésével előrejelzi az események előfordulásának valószínűségét.

Többosztályos logisztikai regresszió esetén az osztályozó több kimenet előrejelzésére is használható.

Többosztályos logisztikai regresszió konfigurálása

1. Adja hozzá a többosztályos logisztikai regressziós összetevőt a folyamathoz.

2. Adja meg a modell betanításának módját a Kiképző létrehozása mód beállításával.

   • Egyetlen paraméter: Ezt a beállítást akkor használja, ha tudja, hogyan szeretné konfigurálni a modellt, és adjon meg 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.

3. Optimalizálási tűrés, adja meg az optimalizáló konvergenciájának küszöbértékét. Ha az iterációk közötti javulás kisebb, mint a küszöbérték, az algoritmus leáll, és visszaadja az aktuális modellt.

4. L1 regularization weight, L2 regularization weight: Type a value to use for the regularization parameters L1 and L2. Mindkettőhöz nem nulla érték ajánlott.

   A rendszeresítés a túlillesztés megelőzésére szolgáló módszer, ha szélsőséges együtthatóértékekkel bünteti a modelleket. A rendezés úgy működik, hogy hozzáadja az együttható értékekhez tartozó büntetést a hipotézis hibájához. A szélsőséges együtthatóértékekkel rendelkező pontos modelleket jobban büntetnék, de a kevésbé pontos, konzervatívabb értékeket tartalmazó modelleket kevésbé büntetnék.

   Az L1 és L2 rendszeresítésnek különböző hatásai és felhasználási módjai vannak. Az L1 ritkább modellekre alkalmazható, ami nagy dimenziójú adatok használatakor hasznos. Ezzel szemben az L2-rendszerezés előnyösebb az olyan adatok esetében, amelyek nem ritkának. Ez az algoritmus támogatja az L1 és az L2 reginálási értékek lineáris kombinációját, azaz ha x = L1 és y = L2, ax + by = c a regicializálási kifejezések lineáris tartományát.

   Az L1 és L2 kifejezések különböző lineáris kombinációit dolgozták ki logisztikai regressziós modellekhez, például rugalmas nettó szabályzáshoz.

5. Véletlenszerű számvetés: Írjon be egy egész számértéket, amelyet az algoritmus magjaként használ, ha azt szeretné, hogy az eredmények ismétlődjenek a futtatások során. Ellenkező esetben a rendszer órajelet használ a magként, amely némileg eltérő eredményeket hozhat ugyanahhoz a folyamathoz tartozó futtatásokban.

6. Csatlakoztassa a címkézett adatkészletet, és tanítsa be a modellt:

   • 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.

7. Küldje el a folyamatot.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket.