Two-Class Átlagos perceptron összetevő
Ez a cikk az Azure Machine Learning designer egy összetevőjét ismerteti.
Ezzel az összetevővel létrehozhat egy gépi tanulási modellt az átlagos perceptron algoritmus alapján.
Ez a besorolási algoritmus felügyelt tanulási módszer, és címkézett adatkészletet igényel, amely egy címkeoszlopot is tartalmaz. A modellt úgy taníthatja be, hogy megadja a modellt és a címkézett adatkészletet a Modell betanítása bemenetként. A betanított modell ezután az új bemeneti példák értékeinek előrejelzésére használható.
Az átlagolt perceptronmodellek ismertetése
Az átlagos perceptron metódus egy neurális hálózat korai és egyszerű verziója. Ebben a megközelítésben a bemenetek több lehetséges kimenetbe vannak besorolva egy lineáris függvény alapján, majd kombinálva a funkcióvektorból származtatott súlykészlettel – innen a "perceptron" név.
Az egyszerűbb perceptronmodellek alkalmasak a lineárisan elválasztható minták tanulására, míg a neurális hálózatok (különösen a mély neurális hálózatok) összetettebb osztályhatárokat modellezhetnek. A perceptronok azonban gyorsabbak, és mivel az eseteket soros módon dolgozzák fel, a perceptronok folyamatos betanítással használhatók.
Az átlagolt perceptron konfigurálása Two-Class
Adja hozzá a kétosztályos átlagolt perceptron összetevőt a folyamathoz.
A Modell betanításának módját a Tréner mód létrehozása beállítással adhatja meg.
Egyetlen paraméter: Ha tudja, hogyan szeretné konfigurálni a modellt, 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.
A Tanulási arány beállításnál adja meg a tanulási arány értékét. A tanulási sebesség értékei szabályozzák a sztochasztikus gradiens süllyedésben használt lépés méretét minden alkalommal, amikor a modellt tesztelik és kijavítják.
A sebesség csökkentése révén gyakrabban teszteli a modellt, azzal a kockázattal, hogy elakadhat egy helyi fennsíkon. A lépés nagyobbá tételével gyorsabban konvergálhat, azzal a kockázattal, hogy túllépi a valódi minimumot.
Az iterációk maximális száma mezőbe írja be, hogy az algoritmus hány alkalommal vizsgálja meg a betanítási adatokat.
A korai leállítás gyakran jobb általánosítást biztosít. Az iterációk számának növelése javítja az illesztést, a túlillesztés kockázatával.
Véletlenszerű számmagok esetén adjon meg egy egész számértéket, amelyet magként szeretne használni. A mag használata akkor ajánlott, ha biztosítani szeretné a folyamat reprodukálhatóságát a futtatások között.
Csatlakoztassa a betanítási 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.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket .
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: