Dwuklasowy składnik Averaged Perceptron

W tym artykule opisano składnik w projektancie usługi Azure Machine Learning.

Użyj tego składnika, aby utworzyć model uczenia maszynowego na podstawie uśrednionego algorytmu perceptron.

Ten algorytm klasyfikacji jest metodą uczenia nadzorowanego i wymaga oznakowanego zestawu danych, który zawiera kolumnę etykiety. Model można wytrenować, podając model i oznakowany zestaw danych jako dane wejściowe do trenowania modelu. Wytrenowany model może następnie służyć do przewidywania wartości dla nowych przykładów wejściowych.

Informacje o uśrednionych modelach perceptron

Średnia metoda perceptron jest wczesną i prostą wersją sieci neuronowej. W tym podejściu dane wejściowe są klasyfikowane na kilka możliwych danych wyjściowych na podstawie funkcji liniowej, a następnie łączone z zestawem wag, które pochodzą z wektora cech — stąd nazwa "perceptron".

Prostsze modele perceptronowe są odpowiednie do uczenia się liniowo separowalnych wzorców, podczas gdy sieci neuronowe (szczególnie głębokie sieci neuronowe) mogą modelować bardziej złożone granice klas. Jednak perceptrony są szybsze, a ponieważ przetwarzają przypadki seryjnie, perceptrony mogą być używane z ciągłym szkoleniem.

How to configure Two-Class Averaged Perceptron

1. Dodaj składnik Two-Class Averaged Perceptron do potoku.

2. Określ sposób trenowania modelu, ustawiając opcję Utwórz tryb trenera .

   • Pojedynczy parametr: jeśli wiesz, jak skonfigurować model, podaj określony zestaw wartości jako argumenty.

   • Zakres parametrów: wybierz tę opcję, jeśli nie masz pewności co do najlepszych parametrów i chcesz uruchomić zamiatanie parametrów. Wybierz zakres wartości do iterowania, a hiperparametry modelu dostrajania iterują we wszystkich możliwych kombinacjach podanych ustawień w celu określenia hiperparametrów, które generują optymalne wyniki.

3. W polu Wskaźnik nauki określ wartość współczynnika nauki. Wartości szybkości nauki kontrolują rozmiar kroku używanego w spadku gradientu stochastycznego za każdym razem, gdy model jest testowany i poprawiany.

   Dzięki mniejszej szybkości testujesz model częściej, z ryzykiem, że możesz utknąć w lokalnym płaskowyżu. Dzięki większej godzinie można szybciej zbiegać się, ryzykując przekroczenie prawdziwej minimy.

4. W polu Maksymalna liczba iteracji wpisz liczbę przypadków, w których algorytm ma badać dane treningowe.

   Zatrzymywanie na wczesnym etapie często zapewnia lepszą uogólnianie. Zwiększenie liczby iteracji poprawia dopasowanie, na ryzyko nadmiernego dopasowania.

5. W polu Inicjator liczb losowych opcjonalnie wpisz wartość całkowitą, która ma być używana jako inicjator. Użycie inicjatora jest zalecane, jeśli chcesz zapewnić powtarzalność potoku między przebiegami.

6. Połącz zestaw danych trenowania i wytrenuj model:

   • Jeśli ustawisz opcję Utwórz tryb trenera na Pojedynczy parametr, połącz oznakowany zestaw danych i składnik Train Model (Trenowanie modelu).

   • Jeśli ustawisz opcję Utwórz tryb trenera na Wartość Zakres parametrów, połącz oznakowany zestaw danych i wytrenuj model przy użyciu hiperparametrów dostrajania modelu.

   Uwaga

   Jeśli przekażesz zakres parametrów do trenowania modelu, zostanie użyta tylko wartość domyślna na liście pojedynczych parametrów.

   Jeśli przekażesz pojedynczy zestaw wartości parametrów do składnika hiperparametrów modelu dostrajania , gdy oczekuje ona zakresu ustawień dla każdego parametru, zignoruje wartości i używa wartości domyślnych dla ucznia.

   Jeśli wybierzesz opcję Zakres parametrów i wprowadzisz pojedynczą wartość dla dowolnego parametru, określona pojedyncza wartość jest używana w trakcie zamiatania, nawet jeśli inne parametry zmienią się w zakresie wartości.

Następne kroki

Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.