Two-Class gemiddeld perceptron-onderdeel
In dit artikel wordt een onderdeel in azure Machine Learning Designer beschreven.
Gebruik dit onderdeel om een machine learning-model te maken op basis van het gemiddelde perceptron-algoritme.
Dit classificatie-algoritme is een leermethode onder supervisie en vereist een getagde gegevensset, die een labelkolom bevat. U kunt het model trainen door het model en de getagde gegevensset op te geven als invoer voor Train Model. Het getrainde model kan vervolgens worden gebruikt om waarden te voorspellen voor de nieuwe invoervoorbeelden.
Over gemiddeld perceptron-modellen
De gemiddelde perceptron-methode is een vroege en eenvoudige versie van een neuraal netwerk. Bij deze benadering worden invoerwaarden geclassificeerd in verschillende mogelijke uitvoerwaarden op basis van een lineaire functie en vervolgens gecombineerd met een set gewichten die zijn afgeleid van de functievector, vandaar de naam 'perceptron'.
De eenvoudigere perceptron-modellen zijn geschikt voor het leren van lineair scheidbare patronen, terwijl neurale netwerken (met name diepe neurale netwerken) complexere klassegrenzen kunnen modelleren. Perceptrons zijn echter sneller en omdat ze cases serieel verwerken, kunnen perceptrons worden gebruikt met continue training.
Two-Class gemiddelde perceptron configureren
Voeg het onderdeel Two-Class Averaged Perceptron toe aan uw pijplijn.
Geef op hoe u het model wilt trainen door de optie Trainermodus maken in te stellen.
Enkele parameter: als u weet hoe u het model wilt configureren, geeft u een specifieke set waarden op als argumenten.
Parameterbereik: selecteer deze optie als u niet zeker bent van de beste parameters en een parameter-sweep wilt uitvoeren. Selecteer een waardenbereik dat u wilt herhalen en de Hyperparameters van model afstemmen herhaalt alle mogelijke combinaties van de instellingen die u hebt opgegeven om de hyperparameters te bepalen die de optimale resultaten produceren.
Geef bij Leerfrequentie een waarde op voor de leersnelheid. De leerfrequentiewaarden bepalen de grootte van de stap die wordt gebruikt bij stochastische gradiëntafname telkens wanneer het model wordt getest en gecorrigeerd.
Door de snelheid te verkleinen, test u het model vaker, met het risico dat u vastloopt in een lokaal plateau. Door de stap groter te maken, kunt u sneller convergeren, met het risico dat de werkelijke minima wordt overschreden.
Bij Maximum aantal iteraties typt u het aantal keren dat het algoritme de trainingsgegevens moet onderzoeken.
Vroeg stoppen zorgt vaak voor betere generalisatie. Het verhogen van het aantal iteraties verbetert de aanpassing, met het risico op overfitting.
Bij Willekeurig getalseed typt u desgewenst een geheel getal dat u als seed wilt gebruiken. Het gebruik van een seed wordt aanbevolen als u de reproduceerbaarheid van de pijplijn tussen uitvoeringen wilt garanderen.
Een trainingsgegevensset verbinden en het model trainen:
Als u de modus Trainer maken instelt op Enkele parameter, verbindt u een getagde gegevensset en het onderdeel Train Model .
Als u de modus Trainer maken instelt op Parameterbereik, verbindt u een getagde gegevensset en traint u het model met behulp van Hyperparameters afstemmen.
Notitie
Als u een parameterbereik doorgeeft aan Train Model, wordt alleen de standaardwaarde in de lijst met parameters gebruikt.
Als u één set parameterwaarden doorgeeft aan het onderdeel Model hyperparameters afstemmen en er een reeks instellingen voor elke parameter wordt verwacht, worden de waarden genegeerd en worden de standaardwaarden voor de cursist gebruikt.
Als u de optie Parameterbereik selecteert en één waarde invoert voor een parameter, wordt die ene waarde die u hebt opgegeven, gebruikt tijdens de sweep, zelfs als andere parameters in een bereik van waarden veranderen.
Volgende stappen
Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.