Perceptron-onderdeel met twee klassengemiddelde
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 gelabelde gegevensset op te geven als invoer voor Train Model. Het getrainde model kan vervolgens worden gebruikt om waarden voor de nieuwe invoervoorbeelden te voorspellen.
Over gemiddelden perceptronmodellen
De gemiddelde perceptronmethode is een vroege en eenvoudige versie van een neuraal netwerk. In deze benadering worden invoergegevens geclassificeerd in verschillende mogelijke uitvoerwaarden op basis van een lineaire functie en vervolgens gecombineerd met een reeks gewichten die zijn afgeleid van de functievector, vandaar de naam 'perceptron'.
De eenvoudigere perceptronmodellen zijn geschikt voor het lineair scheiden van patronen, terwijl neurale netwerken (met name deep neurale netwerken) complexere klassengrenzen kunnen modelleren. Perceptrons zijn echter sneller en omdat ze aanvragen serieel verwerken, kunnen perceptrons worden gebruikt met continue training.
Tweeklassegemiddelde perceptron configureren
Voeg het onderdeel Two-Class Averaged Perceptron toe aan uw pijplijn.
Geef op hoe u het model wilt trainen door de optie Trainer maken in te stellen.
Eén 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 u een parameter-sweep wilt uitvoeren. Selecteer een bereik met waarden om deze te herhalen en de Tune Model Hyperparameters herhalen alle mogelijke combinaties van de instellingen die u hebt opgegeven om de hyperparameters te bepalen die de optimale resultaten opleveren.
Geef voor het leerpercentage een waarde op voor het leerpercentage. De leersnelheidswaarden bepalen de grootte van de stap die wordt gebruikt bij stochastische gradiëntafname telkens wanneer het model wordt getest en gecorrigeerd.
Door de snelheid kleiner te maken, test u het model vaker, met het risico dat u mogelijk vastloopt in een lokaal plateau. Door de stap groter te maken, kunt u sneller convergeren, met het risico dat de echte minima wordt overschreden.
Voor het maximum aantal iteraties typt u het aantal keren dat het algoritme de trainingsgegevens moet onderzoeken.
Het stoppen van een vroeg stadium zorgt vaak voor betere generalisatie. Het verhogen van het aantal iteraties verbetert de aanpassing, met het risico op overfitting.
Typ desgewenst een geheel getal dat moet worden gebruikt als seed voor willekeurige getallen. Het gebruik van een seed wordt aanbevolen als u de reproduceerbaarheid van de pijplijn tussen uitvoeringen wilt garanderen.
Verbind een trainingsgegevensset en train het model:
Als u de modus Trainer maken instelt op Single 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 Tune Model Hyperparameters.
Notitie
Als u een parameterbereik doorgeeft aan Train Model, wordt alleen de standaardwaarde in de lijst met enkele parameters gebruikt.
Als u één set parameterwaarden doorgeeft aan het onderdeel Tune Model Hyperparameters , worden de waarden genegeerd en worden de standaardwaarden voor de cursist gebruikt wanneer er een reeks instellingen voor elke parameter wordt verwacht.
Als u de optie Parameterbereik selecteert en één waarde invoert voor een parameter, wordt die ene waarde die u hebt opgegeven tijdens de opruimen gebruikt, zelfs als andere parameters in een bereik met waarden veranderen.
Volgende stappen
Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.