Two-Class neuraal netwerkonderdeel

In dit artikel wordt een onderdeel in de Azure Machine Learning-ontwerpfunctie beschreven.

Gebruik dit onderdeel om een neuraal netwerkmodel te maken dat kan worden gebruikt om een doel te voorspellen dat slechts twee waarden heeft.

Classificatie met behulp van neurale netwerken is een leermethode onder supervisie en vereist daarom een getagde gegevensset, die een labelkolom bevat. U kunt dit neurale netwerkmodel bijvoorbeeld gebruiken om binaire resultaten te voorspellen, zoals of een patiënt al dan niet een bepaalde ziekte heeft of dat een machine waarschijnlijk binnen een opgegeven tijdsperiode uitvalt.

Nadat u het model hebt gedefinieerd, traint u het door een getagde gegevensset en het model op te geven als invoer voor Model trainen. Het getrainde model kan vervolgens worden gebruikt om waarden voor nieuwe invoer te voorspellen.

Meer informatie over neurale netwerken

Een neuraal netwerk is een set onderling verbonden lagen. De invoer is de eerste laag en is verbonden met een uitvoerlaag door een acyclische grafiek die bestaat uit gewogen randen en knooppunten.

Tussen de invoer- en uitvoerlagen kunt u meerdere verborgen lagen invoegen. De meeste voorspellende taken kunnen eenvoudig worden uitgevoerd met slechts één of een paar verborgen lagen. Recent onderzoek heeft echter aangetoond dat deep neural networks (DNN) met veel lagen effectief kunnen zijn in complexe taken, zoals beeld- of spraakherkenning. De opeenvolgende lagen worden gebruikt om toenemende niveaus van semantische diepte te modelleren.

De relatie tussen invoer en uitvoer wordt geleerd door het neurale netwerk te trainen op de invoergegevens. De richting van de grafiek verloopt van de invoer via de verborgen laag en naar de uitvoerlaag. Alle knooppunten in een laag zijn via de gewogen randen verbonden met knooppunten in de volgende laag.

Om de uitvoer van het netwerk voor een bepaalde invoer te berekenen, wordt een waarde berekend op elk knooppunt in de verborgen lagen en in de uitvoerlaag. De waarde wordt ingesteld door de gewogen som van de waarden van de knooppunten uit de vorige laag te berekenen. Vervolgens wordt een activeringsfunctie toegepast op die gewogen som.

Configureren

  1. Voeg het onderdeel Neuraal netwerk met twee klassen toe aan uw pijplijn. U vindt dit onderdeel onder Machine Learning, Initialiseren, in de categorie Classificatie .

  2. Geef op hoe u het model wilt trainen door de optie Trainermodus maken in te stellen.

    • Enkele parameter: kies deze optie als u al weet hoe u het model wilt configureren.

    • Parameterbereik: Als u niet zeker bent van de beste parameters, kunt u de optimale parameters vinden met behulp van het onderdeel Model hyperparameters afstemmen . U geeft een bereik van waarden op en de trainer herhaalt meerdere combinaties van de instellingen om de combinatie van waarden te bepalen die het beste resultaat oplevert.

  3. Selecteer bij Verborgen laagspecificatie het type netwerkarchitectuur dat u wilt maken.

    • Volledig verbonden case: maakt gebruik van de standaardarchitectuur voor neurale netwerken, die als volgt is gedefinieerd voor neurale netwerken met twee klassen:

      • Heeft één verborgen laag.

      • De uitvoerlaag is volledig verbonden met de verborgen laag en de verborgen laag is volledig verbonden met de invoerlaag.

      • Het aantal knooppunten in de invoerlaag is gelijk aan het aantal functies in de trainingsgegevens.

      • Het aantal knooppunten in de verborgen laag wordt ingesteld door de gebruiker. De standaardwaarde is 100.

      • Het aantal knooppunten is gelijk aan het aantal klassen. Voor een neuraal netwerk met twee klassen betekent dit dat alle invoer moet worden toegewezen aan een van de twee knooppunten in de uitvoerlaag.

  4. Voor Leersnelheid definieert u de grootte van de stap die is uitgevoerd bij elke iteratie, vóór correctie. Een grotere waarde voor de leersnelheid kan ertoe leiden dat het model sneller convergeert, maar het kan de lokale minima overschrijden.

  5. Geef bij Aantal leeriteraties het maximum aantal keren op dat het algoritme de trainingscases moet verwerken.

  6. Geef bij De diameter van het eerste leergewicht de knooppuntgewichten aan het begin van het leerproces op.

  7. Geef voor Het momentum een gewicht op dat moet worden toegepast tijdens het leren op knooppunten uit eerdere iteraties

  8. Selecteer de optie Voorbeelden in willekeurige volgorde om cases te verdelen tussen iteraties. Als u deze optie uitschakelt, worden aanvragen in exact dezelfde volgorde verwerkt telkens wanneer u de pijplijn uitvoert.

  9. Bij Seed van willekeurig getal typt u een waarde die u als seed wilt gebruiken.

    Het opgeven van een seed-waarde is handig als u herhaalbaarheid wilt garanderen voor uitvoeringen van dezelfde pijplijn. Anders wordt een systeemklokwaarde gebruikt als seed, wat tot iets andere resultaten kan leiden telkens wanneer u de pijplijn uitvoert.

  10. Voeg een gelabelde gegevensset toe aan de pijplijn en train het model:

    • 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 hyperparameters afstemmen.

    Notitie

    Als u een parameterbereik doorgeeft aan Train Model, wordt alleen de standaardwaarde in de lijst met enkelvoudige parameters gebruikt.

    Als u één set parameterwaarden doorgeeft aan het onderdeel Model hyperparameters afstemmen en er een bereik van 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 voor een parameter invoert, wordt die ene waarde die u hebt opgegeven, gebruikt tijdens de sweep, zelfs als andere parameters in een bereik van waarden veranderen.

  11. Verzend de pijplijn.

Resultaten

Nadat de training is voltooid:

  • Als u een momentopname van het getrainde model wilt opslaan, selecteert u het tabblad Uitvoer in het rechterdeelvenster van het onderdeel Model trainen . Selecteer het pictogram Gegevensset registreren om het model op te slaan als een herbruikbaar onderdeel.

  • Als u het model wilt gebruiken voor scoren, voegt u het onderdeel Score Model toe aan een pijplijn.

Volgende stappen

Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.