Kétosztályos átlagolt perceptron

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

• További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
• További információ a Azure Machine Learning.

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

Átlagos perceptron bináris besorolási modellt hoz létre

Kategória: Machine Learning / Modell inicializálása / Besorolás

Megjegyzés

A következőkre vonatkozik: Machine Learning Studio (klasszikus)

Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.

A modul áttekintése

Ez a cikk azt ismerteti, hogyan használható a Machine Learning Studio kétosztályos átlaga perceptron modulja egy gépi tanulási modell létrehozásához az átlagos perceptron algoritmus alapján.

Ez a besorolási algoritmus felügyelt tanulási módszer, és címkézett adatkészletet igényel, amely tartalmaz egy címkeoszlopot. A modellt betaníthatja úgy, hogy a modellt és a címkézett adatkészletet adja meg bemenetként a Modell betanítása vagy a Modell hiperparaméterének hangolása érdekében. A betanított modell ezután felhasználható az új bemeneti példák értékeinek előrejelzésére.

További információ az átlagos perceptronmodellről

Az átlagos perceptron metódus egy neurális hálózat korai és nagyon egyszerű változata. Ebben a megközelítésben a bemenetek több lehetséges kimenetbe vannak besorolva egy lineáris függvény alapján, majd a jellemzővektorból származtatott súlyokkal kombinálva – így a "perceptron" névvel.

Az egyszerűbb perceptronmodellek lineárisan elkülöníthető minták tanulására szolgálnak, míg a neurális hálózatok (különösen a mély neurális hálózatok) összetettebb osztályhatárokat is modelleznek. A perceptronok azonban gyorsabbak, és mivel az eseteket sorosan dolgozják fel, a perceptronok folyamatos betanítás során is használhatók.

Az átlagos Two-Class konfigurálása

1. Adja hozzá a kétosztályos averaged perceptron modult a (klasszikus) Studióban található kísérlethez.

2. Az Oktatói mód létrehozása beállítással adhatja meg, hogyan szeretné betanítni a modellt.

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

   • Paramétertartomány: Ha nem biztos a legjobb paraméterekben, több érték megadásával és a Modell hiperparaméterek hangolása modullal keresse meg az optimális konfigurációt. Az edző a megadott beállítások több kombinációján iterál, és meghatározza a legjobb modellt előállító értékek kombinációját.

3. A Tanulás adja meg a tanulási sebesség értékét. A tanulási sebességértékek a sztochasztikus gradiens gradiens modellben használt lépés méretét vizsgálják és javítják.

   Ha kisebbre növeli a sebességet, gyakrabban teszteli a modellt, azzal a kockázattal, hogy elakad egy helyi fennsíkon. Ha nagyobbra növeli a lépést, gyorsabban konvergálhat, így fennáll a valódi minimumok túlhookolásának kockázata.

4. Az Iterációk maximális száma mezőbe írja be, hogy az algoritmus hányszor vizsgálja meg a betanítási adatokat.

   A korai leállítás gyakran jobb általánosítást biztosít. Az iterációk számának növelése növeli az illesztést a túlilledés kockázata miatt.

5. A Véletlenszám-kezdőérték mezőben igény szerint begépelhető egy egész szám, amely kezdőértékként lesz használva. Ha a kísérlet megismételhetőségét szeretné biztosítani a futtatás során, ajánlott kezdőmagot használni.

6. Válassza az Ismeretlen kategorikus szintek engedélyezése lehetőséget, hogy létrehoz egy csoportot a betanítás és az ellenőrzési készlet ismeretlen értékeihez. Előfordulhat, hogy a modell kevésbé pontos az ismert értékek esetében, de jobb előrejelzéseket ad az új (ismeretlen) értékekről.

   Ha nem választja ki ezt a beállítást, a modell csak a betanítás adataiban szereplő értékeket tudja elfogadni.

7. Csatlakozás adatkészletet és az egyik betanító modult:

   • Ha a Create trainer mode (Oktatói mód létrehozása)paramétert Single Parameter (Egyparaméteres) beállításra beállította, használja a Train Model (Modell betanítása) modult .

   • Ha az Oktató létrehozása módotParamétertartományra, használja a Modell hiperparaméterek hangolása modult .

   Megjegyzés

   Ha paramétertartományt ad át a Modell betanítása számára, az csak az első értéket használja a paramétertartományok listájában.

   Ha egyetlen paraméterérték-készletet ad át a Modell hiperparaméterek hangolása modulnak, és az egyes paraméterekhez egy beállítástartományt vár, az 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 az Ön által megadott egyetlen értéket használja a teljes tartományban, még akkor is, ha más paraméterek változnak egy értéktartományban.

Results (Eredmények)

A betanítás befejezése után:

• A modell paramétereinek összegzését és a betanítás során megtanult jellemzősúlyokat a jobb gombbal a Train Model (Modell betanítása) vagy a Tune Model Hyperparameters (Modell hiperparaméterek hangolása) kimenetére kattintva láthatja.

Példák

A tanulási algoritmus használatára vonatkozó példákért lásd a Azure AI Gallery:

• Bináris osztályozók keresztellenőrzése – minta: Több besorolási modell összehasonlítása.

Technikai megjegyzések

Ez a szakasz az implementáció részleteit, tippeket és válaszokat tartalmazza a gyakori kérdésekre.

Használati tippek

Ehhez a modelltípushoz ajánlott normalizálni az adatkészleteket, mielőtt az osztályozó betanítása előtt használjuk őket. A normalizálási lehetőségekért lásd: Adatok normalizálása.

Az átlagos perceptron modell a neurális hálózatok korai és egyszerűsített verziója. Így jól működik egyszerű adatkészletek esetén, ha a cél a pontosság sebességének növelése. Ha azonban nem a kívánt eredményt szeretné elérni, próbálja ki az alábbi modellek valamelyikét:

• Kétosztályos neurális hálózat vagy többosztályos neurális hálózat

• Kétosztályos logisztikai regresszió vagytöbbosztályos logisztikai regresszió

• Kétosztályos súlyozott döntési fa

Modulparaméterek

Name	Tartomány	Típus	Alapértelmezett	Description
Tanulási sebesség	>=double. Epsilon	Float	1.0	A sztochasztikus gradiens gradiens optimalizáló kezdeti tanulási sebessége.
Iterációk maximális száma	>=1	Egész szám	10	A betanítási adatkészleten végrehajtani kívánt sztochasztikus gradienserációk száma.
Véletlenszerű szám kezdőszáma	Bármelyik	Egész szám		A modell által használt véletlenszám-generátor kezdő magja. Hagyja üresen az alapértelmezett értéket.
Ismeretlen kategorikus szintek engedélyezése	Bármelyik	Logikai	Igaz	Ha igaz, a minden kategorikus oszlophoz létrehoz egy további szintet. A tesztadatkészletnek a betanítás adatkészletében nem elérhető szintjei erre a további szintre vannak leképezve.

Kimenet

Név	Típus	Description
Nem korlátozott modell	ILearner interfész	Nem betanított bináris besorolási modell, amely összekapcsolható a One-vs-All Multiclass, aTrain Model vagy a Cross-Validate Model modulokkal .

Lásd még

Osztályozás
A–Z modullista