Neurális hálózati regressziós összetevő
Regressziós modellt hoz létre neurális hálózati algoritmus használatával
Kategória: Gépi tanulás / Modell inicializálása / Regresszió
Összetevők áttekintése
Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.
Ezzel az összetevővel létrehozhat egy regressziós modellt egy testre szabható neurális hálózati algoritmus használatával.
Bár a neurális hálózatok széles körben ismertek a mélytanulásban és az olyan összetett problémák modellezésében, mint a képfelismerés, könnyen alkalmazkodnak a regressziós problémákhoz. A statisztikai modellek bármely osztálya neurális hálózatnak nevezhető, ha adaptív súlyokat használnak, és közelítik a bemenetek nem lineáris függvényeit. Így a neurális hálózati regresszió olyan problémákra alkalmas, ahol egy hagyományosabb regressziós modell nem fér el a megoldáshoz.
A neurális hálózati regresszió egy felügyelt tanulási módszer, ezért címkézett adatkészletet igényel, amely egy címkeoszlopot is tartalmaz. Mivel a regressziós modell numerikus értéket jelez előre, a címkeoszlopnak numerikus adattípusnak kell lennie.
A modellt úgy taníthatja be, hogy bemenetként megadja a modellt és a címkézett adatkészletet a Modell betanítása szolgáltatáshoz. A betanított modell ezután az új bemeneti példák értékeinek előrejelzésére használható.
Neurális hálózati regresszió konfigurálása
A neurális hálózatok széles körben testre szabhatók. Ez a szakasz azt ismerteti, hogyan hozhat létre modellt két módszerrel:
Neurális hálózati modell létrehozása az alapértelmezett architektúra használatával
Ha elfogadja az alapértelmezett neurális hálózati architektúrát, a Tulajdonságok panelen állítsa be a neurális hálózat viselkedését vezérlő paramétereket, például a rejtett réteg csomópontjainak számát, a tanulási sebességet és a normalizálást.
Kezdje itt, ha még nem ismerkedik a neurális hálózatokkal. Az összetevő számos testreszabást és modellhangolást támogat a neurális hálózatok mély ismerete nélkül.
Egyéni architektúra definiálása neurális hálózatokhoz
Ezt a lehetőséget akkor használhatja, ha további rejtett rétegeket szeretne hozzáadni, vagy teljesen testre szeretné szabni a hálózati architektúrát, a kapcsolatokat és az aktiválási függvényeket.
Ez a lehetőség akkor a legjobb, ha már ismeri a neurális hálózatokat. A hálózati architektúra meghatározásához a Net# nyelvet kell használnia.
Neurális hálózati modell létrehozása az alapértelmezett architektúra használatával
Adja hozzá a neurális hálózati regresszió összetevőt a folyamathoz a tervezőben. Ezt az összetevőt a Machine Learning Inicializálás csoportjában találja a Regresszió kategóriában.
A Modell betanításának módját az Oktató létrehozása mód beállításával jelezheti.
Egyetlen paraméter: Válassza ezt a lehetőséget, ha már tudja, hogyan szeretné konfigurálni a modellt.
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 Rejtett réteg specifikációjában válassza a Teljesen csatlakoztatott eset lehetőséget. Ez a beállítás létrehoz egy modellt az alapértelmezett neurális hálózati architektúra használatával, amely egy neurális hálózati regressziós modell esetében a következő attribútumokkal rendelkezik:
- A hálózatnak pontosan egy rejtett rétege van.
- A kimeneti réteg teljesen csatlakoztatva van a rejtett réteghez, a rejtett réteg pedig teljes mértékben csatlakozik a bemeneti réteghez.
- A rejtett réteg csomópontjainak számát a felhasználó állíthatja be (az alapértelmezett érték 100).
Mivel a bemeneti réteg csomópontjainak számát a betanítási adatokban szereplő funkciók száma határozza meg, a regressziós modellben csak egy csomópont lehet a kimeneti rétegben.
A rejtett csomópontok száma mezőbe írja be a rejtett csomópontok számát. Az alapértelmezett egy rejtett réteg 100 csomóponttal. (Ez a beállítás nem érhető el, ha egyéni architektúrát definiál a Net#használatával.)
A tanulási sebességhez írjon be egy értéket, amely meghatározza az egyes iterációkban végrehajtott lépéseket a javítás előtt. A tanulási sebesség nagyobb értéke gyorsabb konvergens konvergensebbé teheti a modellt, de túllépheti a helyi minimális értéket.
A tanulási iterációk számához adja meg, hogy az algoritmus legfeljebb hány alkalommal dolgozza fel a betanítási eseteket.
A Lendület mezőben írjon be egy értéket, amely a tanulás során a korábbi iterációk csomópontjaira vonatkozó súlyként lesz alkalmazva.
Az ismétlések közötti esetek sorrendjének módosításához válassza a példaszkenzáció lehetőséget. Ha törli ezt a jelölőnégyzetet, a folyamat minden futtatásakor pontosan ugyanabban a sorrendben dolgozzák fel az eseteket.
A véletlenszámú magok esetében opcionálisan beírhat egy értéket, amelyet magként szeretne használni. A kezdőérték megadása akkor hasznos, ha biztosítani szeretné az ismétlődést ugyanazon folyamat futtatásai között.
Betanítási adatkészlet csatlakoztatása és 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.
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. A modell újrafelhasználható összetevőként való mentéséhez válassza az Adatkészlet regisztrálása ikont.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket.