składnik sieci neuronowej Two-Class
W tym artykule opisano składnik w projektancie usługi Azure Machine Learning.
Użyj tego składnika, aby utworzyć model sieci neuronowej, który może służyć do przewidywania obiektu docelowego, który ma tylko dwie wartości.
Klasyfikacja przy użyciu sieci neuronowych jest metodą uczenia nadzorowanego i dlatego wymaga oznaczonego zestawu danych, który zawiera kolumnę etykiety. Na przykład można użyć tego modelu sieci neuronowej do przewidywania wyników binarnych, takich jak to, czy pacjent ma pewną chorobę, czy też maszyna może zakończyć się niepowodzeniem w określonym przedziale czasu.
Po zdefiniowaniu modelu wytrenuj go, podając otagowany zestaw danych i model jako dane wejściowe do trenowania modelu. Wytrenowany model może następnie służyć do przewidywania wartości nowych danych wejściowych.
Więcej informacji o sieciach neuronowych
Sieć neuronowa to zestaw połączonych warstw. Dane wejściowe są pierwszą warstwą i są połączone z warstwą wyjściową za pomocą wykresu acyklicznego składającego się z ważonych krawędzi i węzłów.
Między warstwami wejściowymi i wyjściowymi można wstawić wiele ukrytych warstw. Większość zadań predykcyjnych można łatwo wykonać za pomocą tylko jednej lub kilku ukrytych warstw. Jednak ostatnie badania wykazały, że głębokie sieci neuronowe (DNN) z wieloma warstwami mogą być skuteczne w złożonych zadaniach, takich jak rozpoznawanie obrazów lub mowy. Kolejne warstwy są używane do modelowania rosnących poziomów głębokości semantycznej.
Relacja między danymi wejściowymi i wyjściowymi jest oparta na trenowaniu sieci neuronowej na danych wejściowych. Kierunek grafu przechodzi od danych wejściowych przez warstwę ukrytą i do warstwy wyjściowej. Wszystkie węzły w warstwie są połączone przez ważone krawędzie z węzłami w następnej warstwie.
Aby obliczyć dane wyjściowe sieci dla określonego danych wejściowych, wartość jest obliczana w każdym węźle w ukrytych warstwach i w warstwie wyjściowej. Wartość jest ustawiana przez obliczenie ważonej sumy wartości węzłów z poprzedniej warstwy. Funkcja aktywacji jest następnie stosowana do tej ważonej sumy.
Sposób konfigurowania
Dodaj do potoku składnik Dwuklasowej sieci neuronowej . Ten składnik można znaleźć w obszarze Machine Learning, Initialize, w kategorii Klasyfikacja .
Określ sposób trenowania modelu, ustawiając opcję Utwórz tryb trenera .
Pojedynczy parametr: wybierz tę opcję, jeśli już wiesz, jak skonfigurować model.
Zakres parametrów: jeśli nie masz pewności co do najlepszych parametrów, możesz znaleźć optymalne parametry przy użyciu składnika Hiperparametry modelu dostrajania . Podajesz kilka wartości, a trener iteruje wiele kombinacji ustawień w celu określenia kombinacji wartości, które dają najlepszy wynik.
W obszarze Specyfikacja warstwy ukrytej wybierz typ architektury sieci do utworzenia.
W pełni połączony przypadek: używa domyślnej architektury sieci neuronowej zdefiniowanej dla dwóch klas sieci neuronowych w następujący sposób:
Ma jedną ukrytą warstwę.
Warstwa wyjściowa jest w pełni połączona z ukrytą warstwą, a warstwa ukryta jest w pełni połączona z warstwą wejściową.
Liczba węzłów w warstwie wejściowej jest równa liczbie funkcji w danych treningowych.
Liczba węzłów w ukrytej warstwie jest ustawiana przez użytkownika. Wartość domyślna to 100.
Liczba węzłów jest równa liczbie klas. W przypadku dwuklasowej sieci neuronowej oznacza to, że wszystkie dane wejściowe muszą mapować na jeden z dwóch węzłów w warstwie wyjściowej.
W polu Szybkość nauki zdefiniuj rozmiar kroku wykonanego w każdej iteracji przed korektą. Większa wartość współczynnika uczenia może spowodować, że model zbiegnie się szybciej, ale może przekroczyć lokalną minimę.
W obszarze Liczba iteracji uczenia określ maksymalną liczbę przypadków, jaką algorytm powinien przetworzyć przypadki trenowania.
W polu Początkowa średnica wagi uczenia określ wagi węzłów na początku procesu uczenia.
W polu Rozmach określ wagę, która ma być stosowana podczas nauki do węzłów z poprzednich iteracji
Wybierz opcję Przykłady shuffle, aby przetasować przypadki między iteracji. Jeśli usuniesz zaznaczenie tej opcji, przypadki są przetwarzane dokładnie w tej samej kolejności za każdym razem, gdy uruchamiasz potok.
W polu Losowy nasion liczb wpisz wartość, która ma być używana jako nasion.
Określenie wartości inicjacji jest przydatne, gdy chcesz zapewnić powtarzalność między przebiegami tego samego potoku. W przeciwnym razie wartość zegara systemowego jest używana jako inicjator, co może spowodować nieco inne wyniki za każdym razem, gdy uruchamiasz potok.
Dodaj oznaczony etykietą zestaw danych do potoku i wytrenuj model:
Jeśli ustawisz opcję Utwórz tryb trenera na pojedynczy parametr, połącz oznakowany zestaw danych i składnik Train Model .
Jeśli ustawisz opcję Utwórz tryb trenera na wartość Zakres parametrów, połącz oznakowany zestaw danych i wytrenuj model przy użyciu hiperparametrów tune model.
Uwaga
Jeśli przekazujesz zakres parametrów do trenowania modelu, używa tylko wartości domyślnej na liście pojedynczych parametrów.
Jeśli przekazujesz jeden zestaw wartości parametrów do składnika Hiperparametry modelu dostrajania , gdy oczekuje on zakresu ustawień dla każdego parametru, ignoruje wartości i używa wartości domyślnych dla ucznia.
Jeśli wybierzesz opcję Zakres parametrów i wprowadzisz pojedynczą wartość dla dowolnego parametru, ta określona wartość jest używana w całym zamiataniu, nawet jeśli inne parametry zmieniają się w zakresie wartości.
Prześlij potok.
Wyniki
Po zakończeniu trenowania:
Aby zapisać migawkę wytrenowanego modelu, wybierz kartę Dane wyjściowe w prawym panelu składnika Train model (Trenowanie składnika modelu ). Wybierz ikonę Zarejestruj zestaw danych , aby zapisać model jako składnik wielokrotnego użytku.
Aby użyć modelu do oceniania, dodaj składnik Score Model do potoku.
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.