Poisson-regresszió

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

Ezzel az összetevővel poisson regressziós modellt hozhat létre egy folyamatban. A Poisson-regresszió numerikus értékek, általában számok előrejelzésére szolgál. Ezért ezt az összetevőt csak akkor érdemes használnia a regressziós modell létrehozásához, ha az előrejelezni kívánt értékek megfelelnek a következő feltételeknek:

• A válaszváltozó Poisson-eloszlással rendelkezik.

• A számok nem lehetnek negatívak. A metódus azonnal meghiúsul, ha negatív címkékkel próbálja használni.

• A Poisson-eloszlás különálló eloszlás; ezért nem értelme ezt a módszert nem egész számokkal használni.

Tipp.

Ha a cél nem szám, akkor a Poisson-regresszió valószínűleg nem megfelelő módszer. Próbáljon ki más regressziós összetevőket a tervezőben.

A regressziós módszer beállítása után be kell tanítania a modellt egy olyan adatkészlettel, amely példákat tartalmaz az előrejelezni kívánt értékre. A betanított modell ezután használható előrejelzések készítésére.

További információ a Poisson-regresszióról

A Poisson-regresszió a regressziós elemzés egy speciális típusa, amelyet általában a modellszámhoz használnak. Például a Poisson-regresszió hasznos lehet az alábbi esetekben:

• A repülőjáratokhoz kapcsolódó megfázások számának modellezése

• Segélyhívások számának becslése egy esemény során

• Az előléptetést követő ügyfélkérések számának kivetítése

• Készenléti táblák létrehozása

Mivel a válaszváltozó Poisson-eloszlással rendelkezik, a modell különböző feltételezéseket tesz az adatokról és annak valószínűségeloszlásáról, mint például a legkisebb négyzetes regresszió. Ezért a Poisson-modelleket másképpen kell értelmezni, mint a többi regressziós modellt.

A Poisson Regresszió konfigurálása

1. Adja hozzá a Poisson Regresszió összetevőt a folyamathoz a tervezőben. Ezt az összetevőt a Machine Learning Algorithms ( Gépi tanulási algoritmusok) területen találja a Regressziós kategóriában.

2. Adjon hozzá egy megfelelő típusú betanítási adatokat tartalmazó adatkészletet.

   Javasoljuk, hogy a regresszor betanítása előtt az Adatok normalizálása funkcióval normalizálja a bemeneti adathalmazt.

3. A Poisson Regressziós összetevő jobb oldali ablaktábláján adja meg, hogyan szeretné betanításra használni a modellt a Kiképző létrehozása mód beállításával.

   • Egyetlen paraméter: Ha tudja, hogyan szeretné konfigurálni a modellt, adjon meg egy adott értékhalmazt argumentumként.

   • Paramétertartomány: Ha nem biztos a legjobb paraméterekben, végezze el a paraméter-átvizsgálást a Modell hiperparamétereinek finomhangolása összetevővel. A tréner több megadott értéken is iterál, hogy megtalálja az optimális konfigurációt.

4. Optimalizálási tűrés: Írjon be egy értéket, amely meghatározza a tűrésintervallumot az optimalizálás során. Minél alacsonyabb az érték, annál lassabb és pontosabb a szerelvény.

5. L1 regularization weight and L2 regularization weight: Type values to use for L1 and L2 regularization. A rendszeresítés korlátozásokat ad az algoritmushoz a modell betanítási adatoktól független aspektusaival kapcsolatban. A túlillesztés elkerülése érdekében gyakran használják a rendszeresítést.

   • Az L1-rendszerezés akkor hasznos, ha a cél egy olyan modell létrehozása, amely a lehető legritkább.

     Az L1-rendezés úgy történik, hogy kivonja a súlyvektor L1 súlyát abból a veszteségi kifejezésből, amelyet a tanuló minimalizálni próbál. Az L1 norma jó közelítés az L0 normához, ami a nem nulla koordináták száma.

   • Az L2-regicializálás megakadályozza, hogy a súlyvektor egyetlen koordinátája túl nagy mértékben növekedni kezd. Az L2-rendszerezés akkor hasznos, ha a cél egy kis súlyú modell létrehozása.

   Ebben az összetevőben L1 és L2 típusú regicializációk kombinációját alkalmazhatja. Az L1 és az L2 regicializálás kombinálásával büntetést szabhat ki a paraméterértékek nagyságára. A tanuló megpróbálja minimalizálni a büntetést, a veszteség minimalizálásával.

   Az L1 és L2 rendszeresítésről a Machine Learning L1 és L2 regularizálása című témakörben olvashat bővebben.

6. Memóriaméret az L-BFGS-hez: Adja meg a modellillesztéshez és -optimalizáláshoz lefoglalandó memória mennyiségét.

   Az L-BFGS a Broyden–Fletcher–Goldfarb–Shanno (BFGS) algoritmuson alapuló optimalizálási módszer. A metódus korlátozott mennyiségű memóriát (L) használ a következő lépés irányának kiszámításához.

   A paraméter módosításával befolyásolhatja a következő lépés számításához tárolt korábbi pozíciók és színátmenetek számát.

7. Csatlakoztassa a betanítási adatkészletet és a nem betanított modellt az egyik betanítási összetevőhöz:

   • Ha a Kiképző létrehozása módot egyetlen paraméterre állítja, használja a Modell betanítása összetevőt.

   • Ha paramétertartományra állítja a Kiképző létrehozása módot, használja a Modell hiperparamétereinek finomhangolása összetevőt.

   Figyelmeztetés

   • Ha paramétertartományt ad át a modell betanítása gombra, az csak a paramétertartomány-lista első értékét 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.

8. Küldje el a folyamatot.

Results (Eredmények)

A betanítás befejezése után:

• A betanított modell pillanatképének mentéséhez válassza ki a betanítási összetevőt, majd váltson a jobb oldali panel Kimenetek+naplók lapjára. Kattintson az ikonra : Adatkészlet regisztrálása. A mentett modellt összetevőként az összetevőfán találja.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket.