Tweeklasse neurale netwerkonderdelen
In dit artikel wordt een onderdeel in Azure Machine Learning Designer beschreven.
Gebruik dit onderdeel om een neuraal netwerkmodel te maken dat kan worden gebruikt om een doel met slechts twee waarden te voorspellen.
Classificatie met neurale netwerken is een leermethode onder supervisie en vereist daarom een getagde gegevensset, die een labelkolom bevat. U kunt bijvoorbeeld dit neurale netwerkmodel gebruiken om binaire resultaten te voorspellen, zoals of een patiënt een bepaalde ziekte heeft of dat een machine waarschijnlijk binnen een opgegeven tijdsperiode mislukt.
Nadat u het model hebt gedefinieerd, traint u het door een getagde gegevensset en het model op te geven als invoer voor het trainen van het model. 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 neurale netwerken (DNN) met veel lagen effectief kunnen zijn in complexe taken, zoals afbeelding of spraakherkenning. De opeenvolgende lagen worden gebruikt om toenemende niveaus van semantische diepte te modelleren.
De relatie tussen invoer en uitvoer wordt geleerd van het trainen van het neurale netwerk op de invoergegevens. De richting van de grafiek gaat van de invoer door de verborgen laag en naar de uitvoerlaag. Alle knooppunten in een laag worden verbonden door de gewogen randen 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
Voeg het onderdeel Neural Network van twee klassen toe aan uw pijplijn. U vindt dit onderdeel onder Machine Learning, Initialiseren, in de categorie Classificatie .
Geef op hoe u het model wilt trainen door de optie Trainer maken in te stellen.
Eén 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 Tune Model Hyperparameters . U geeft een bepaald bereik van waarden op en de trainer doorloopt meerdere combinaties van de instellingen om de combinatie van waarden te bepalen die het beste resultaat opleveren.
Selecteer voor verborgen laagspecificatie het type netwerkarchitectuur dat u wilt maken.
Volledig verbonden case: maakt gebruik van de standaard neurale netwerkarchitectuur die als volgt is gedefinieerd voor neurale netwerken van 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.
Definieer voor leersnelheid de grootte van de stap die bij elke iteratie is uitgevoerd, vóór correctie. Een grotere waarde voor het leerpercentage kan ertoe leiden dat het model sneller convergeert, maar het kan de lokale minima overschrijden.
Geef voor het aantal leeriteraties het maximum aantal keren op dat het algoritme de trainingscases moet verwerken.
Geef voor de initiële diameter van de leergewichten de knooppuntgewichten op aan het begin van het leerproces.
Geef voor het momentum een gewicht op dat moet worden toegepast tijdens het leren op knooppunten uit eerdere iteraties
Selecteer de optie Shuffle-voorbeelden om aanvragen tussen iteraties te verdelen. Als u deze optie uitschakelt, worden aanvragen in exact dezelfde volgorde verwerkt telkens wanneer u de pijplijn uitvoert.
Typ een waarde die u als seed wilt gebruiken voor willekeurige getallen.
Het opgeven van een seed-waarde is handig als u herhaalbaarheid wilt garanderen voor uitvoeringen van dezelfde pijplijn. Anders wordt een systeemklokwaarde gebruikt als de seed, die telkens wanneer u de pijplijn uitvoert iets verschillende resultaten kan veroorzaken.
Voeg een gelabelde gegevensset toe aan de pijplijn 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.
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.