Perceptron Rata-rata Dua Kelas

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

• Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
• Mer informasjon tentang Azure Machine Learning.

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Membuat model klasifikasi biner perseceptron rata-rata

Kategori: Pembelajaran Mesin / Inisialisasi Model / Klasifikasi

Catatan

Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja

Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.

Ringkasan Modul

Artikel ini menjelaskan cara menggunakan modul Perceptron Rata-rata Dua Kelas di Pembelajaran Mesin Studio (klasik), untuk membuat model pembelajaran mesin berdasarkan algoritma perseceptron rata-rata.

Algoritme klasifikasi ini adalah metode pembelajaran yang diawasi, dan memerlukan himpunan data yang ditandai, yang menyertakan kolom label. Anda dapat melatih model dengan menyediakan model dan himpunan data yang ditandai sebagai input ke Train Model atau Tune Model Hyperparameters. Model terlatih kemudian dapat digunakan untuk memprediksi nilai untuk contoh input baru.

Lebih lanjut tentang model perseptron rata-rata

Metode perseceptron rata-rata adalah versi awal dan sangat sederhana dari jaringan saraf. Dalam pendekatan ini, input diklasifikasikan ke dalam beberapa output yang mungkin berdasarkan fungsi linier, kemudian dikombinasikan dengan satu set bobot yang berasal dari vektor fitur — oleh karena itu namanya "perceptron".

Model persepsi yang lebih sederhana cocok untuk mempelajari pola yang dapat diseparkan secara linear, sedangkan jaringan neural (terutama jaringan neural dalam) dapat memodelkan batas kelas yang lebih kompleks. Namun, perceptron lebih cepat, dan perceptron dapat digunakan dengan pelatihan berkelanjutan karena perceptron memproses kasus secara serial.

Cara mengonfigurasi Perceptron Rata-rata Dua Kelas

1. Tambahkan modul Perceptron Rata-Rata Dua Kelas ke eksperimen Anda di Studio (klasik).

2. Tentukan bagaimana Anda ingin melatih model dengan mengatur opsi Buat mode pelatih.

   • Parameter Tunggal: Jika Anda tahu bagaimana Anda ingin mengonfigurasi model, berikan serangkaian nilai tertentu sebagai argumen.

   • Rentang Parameter: Jika Anda tidak yakin dengan parameter terbaik, temukan parameter optimal dengan menentukan beberapa nilai dan menggunakan modul Tune Model Hyperparameters untuk menemukan konfigurasi optimal. Pelatih berulang-ulang atas beberapa kombinasi pengaturan yang Anda berikan dan menentukan kombinasi nilai yang menghasilkan model terbaik.

3. Untuk Tingkat pembelajaran, tentukan nilai untuk tingkat pembelajaran. Nilai tingkat pembelajaran mengontrol ukuran langkah yang digunakan dalam penurunan gradien stokastik setiap kali model diuji dan diperbaiki.

   Dengan membuat tingkat lebih kecil, Anda menguji model lebih sering, dengan risiko bahwa Anda mungkin terjebak di dataran tinggi lokal. Dengan membuat langkah lebih besar, Anda dapat mengumpulkan dengan lebih cepat, dengan risiko melampaui minimum yang sebenarnya.

4. Untuk Jumlah maksimum iterasi, ketikkan berapa kali Anda ingin algoritme memeriksa data pelatihan.

   Berhenti lebih awal biasanya memberikan generalisasi yang lebih baik. Meningkatkan jumlah iterasi meningkatkan kesesuaian, dengan risiko kesesuaian yang berlebihan.

5. Untuk Benih angka acak, ketikkan nilai integer secara opsional untuk digunakan sebagai benih. Sebaiknya gunakan benih jika Anda ingin memastikan keterulangan eksperimen selama eksekusi.

6. Pilih opsi Izinkan level kategoris yang tidak diketahui untuk membuat grup untuk nilai yang tidak diketahui dalam kumpulan pelatihan dan validasi. Model mungkin kurang tepat untuk nilai yang diketahui, tetapi dapat memberikan prediksi yang lebih baik untuk nilai baru (tidak diketahui).

   Jika Anda membatalkan pilihan ini, model hanya dapat menerima nilai yang terdapat dalam data pelatihan.

7. Koneksi himpunan data pelatihan, dan salah satu modul pelatihan:

   • Jika Anda mengatur Buat mode pelatih keParameter Tunggal, gunakan modul Model Kereta.

   • Jika Anda mengatur Buat mode pelatih ke Rentang Parameter, gunakan modul Tune Model Hyperparameters.

   Catatan

   Jika Anda meneruskan rentang parameter ke Model Kereta Api, ini hanya menggunakan nilai pertama dalam daftar rentang parameter.

   Jika Anda meneruskan satu set nilai parameter ke modul Tune Model Hyperparameters, saat mengharapkan rentang pengaturan untuk setiap parameter, ini mengabaikan nilai dan menggunakan nilai default untuk orang yang belajar.

   Jika Anda memilih opsi Rentang Parameter dan memasukkan nilai tunggal untuk parameter apa pun, nilai tunggal yang Anda tentukan akan digunakan di seluruh sapuan, bahkan jika parameter lain berubah di berbagai nilai.

Hasil

Setelah pelatihan selesai:

• Untuk melihat ringkasan parameter model, bersama dengan bobot fitur yang dipelajari dari pelatihan, klik kanan output Train Model atau Tune Model Hyperparameters.

Contoh

Untuk contoh bagaimana algoritme pembelajaran ini digunakan, lihat Galeri AI Azure:

• Validasi Silang untuk sampel Pengklasifikasi Biner: Membandingkan beberapa model klasifikasi.

Catatan teknis

Bagian ini berisi detail implementasi, tips, dan jawaban terkait pertanyaan yang sering diajukan.

Tips penggunaan

Untuk jenis model ini, ini adalah praktik terbaik untuk menormalkan dataset sebelum menggunakannya untuk melatih pengklasifikasi. Untuk opsi normalisasi, lihat Menormalkan Data.

Model perseceptron rata-rata adalah versi awal dan disederhanakan dari jaringan saraf. Dengan demikian, ia bekerja dengan baik pada kumpulan data sederhana ketika tujuan Anda adalah kecepatan atas akurasi. Namun, jika Anda tidak mendapatkan hasil yang diinginkan, cobalah salah satu model ini:

• Jaringan Saraf Dua Kelas atau Jaringan Saraf Multiclass

• Regresi Logistik Dua Kelas atau Regresi Logistik Multiclass

• Pohon Keputusan yang Didorong Dua Kelas

Parameter modul

Nama	Rentang	Jenis	Default	Deskripsi
Tingkat pembelajaran	>=ganda. Epsilon	Mengambang	1,0	Tingkat pembelajaran awal untuk pengoptimal Stochastic Gradient Descent.
Jumlah maksimum iterasi	>=1	Bilangan bulat	10	Jumlah iterasi Stochastic Gradient Descent yang akan dilakukan melalui dataset pelatihan.
Benih angka acak	Apa pun	Bilangan bulat		Benih untuk generator angka acak yang digunakan oleh model. Biarkan kosong untuk default.
Izinkan level kategoris yang tidak diketahui	Apa pun	Boolean	True	Jika Benar, buat level tambahan untuk setiap kolom kategoris. Setiap level dalam himpunan data pengujian yang tidak tersedia dalam himpunan data pelatihan dipetakan ke tingkat tambahan ini.

Output

Nama	Jenis	Deskripsi
Model tak terlatih	Antarmuka ILearner	Model klasifikasi biner yang tidak terlatih yang dapat dihubungkan ke modul One-vs-All Multiclass, Train Model, atau Cross-Validate Model .

Lihat juga

Klasifikasi
Daftar Modul A-Z