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 használható.

A logisztikai regressziós besorolás felügyelt tanulási módszer, ezért címkézett adatkészletet igényel. A modellt úgy taníthatja be, hogy megadja a modellt és a címkézett adathalmazt egy olyan összetevő bemeneteként, 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 kettős változók besorolására alkalmas.

A többosztályos logisztikai regresszió ismertetése

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

A többosztályos logisztikai regresszióban az osztályozó több eredmény előrejelzésére is használható.

Többosztályos logisztikai regresszió konfigurálása

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

2. A Modell betanításának módját a Tréner mód létrehozása beállítással adhatja meg.

   • Egyetlen paraméter: Ezt a lehetőséget akkor használja, ha tudja, hogyan szeretné konfigurálni a modellt, és adjon meg egy adott értékkészletet argumentumként.

   • Paramétertartomány: Válassza ezt a lehetőséget, ha nem biztos a legjobb paraméterekben, és paraméter-takarítást szeretne futtatni. Válasszon ki egy értéktartományt, és a Modell hiperparamétereinek finomhangolása a megadott beállítások összes lehetséges kombinációját átterjedve határozza meg az optimális eredményt eredményező hiperparamétereket.

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

4. L1 regicializálási súly, L2 reginálási súly: Írja be az L1 és az L2 regicializálási paraméterekhez használandó értéket. Mindkettőhöz nem nulla érték ajánlott.

   A regularizálás módszer a túlillesztés megakadályozására, ha szélsőséges együtthatóértékekkel rendelkező modelleket büntet. A rendezés úgy működik, hogy hozzáadja az együttható értékekhez társított büntetést a hipotézis hibájához. A szélsőséges együtthatóértékekkel rendelkező pontos modelleket jobban büntetnék, de egy kevésbé pontos, konzervatívabb értékekkel rendelkező modellt kevésbé büntetnének.

   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-reginálás előnyösebb az olyan adatok esetében, amelyek nem ritkák. Ez az algoritmus támogatja az L1 és az L2 regicializálási értékek lineáris kombinációját: azaz a ha x = L1 és y = L2ax + by = c a lineáris tartományt határozza meg a regicializálási kifejezésekben.

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

5. Véletlenszerű számmag: Írjon be egy egész számot, amelyet az algoritmus magjaként szeretne használni, ha azt szeretné, hogy az eredmények ismételhetők legyenek a futtatások során. Ellenkező esetben a rendszeróra értékét használják magként, amely némileg eltérő eredményeket hozhat ugyanannak a folyamatnak a futtatásaiban.

6. Csatlakoztassa a címkézett adatkészletet, 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.

7. Küldje el a folyamatot.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket .