Wybieranie parametrów w celu zoptymalizowania algorytmów w usłudze Machine Learning Studio (wersja klasyczna)

DOTYCZY: Machine Learning Studio (wersja klasyczna) Azure Machine Learning

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

• Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z usługi ML Studio (klasycznej) do usługi Azure Machine Learning.
• Dowiedz się więcej o usłudze Azure Machine Learning

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

W tym temacie opisano sposób wybierania odpowiedniego zestawu hiperparametrów dla algorytmu w usłudze Machine Learning Studio (wersja klasyczna). Większość algorytmów uczenia maszynowego ma parametry do ustawienia. Podczas trenowania modelu należy podać wartości dla tych parametrów. Skuteczność wytrenowanego modelu zależy od wybieranych parametrów modelu. Proces znajdowania optymalnego zestawu parametrów jest określany jako wybór modelu.

Istnieją różne sposoby wyboru modelu. W uczeniu maszynowym krzyżowe sprawdzanie poprawności jest jedną z najczęściej używanych metod wyboru modelu i jest to domyślny mechanizm wyboru modelu w usłudze Machine Learning Studio (wersja klasyczna). Ponieważ usługa Machine Learning Studio (klasyczna) obsługuje języki R i Python, zawsze można zaimplementować własne mechanizmy wyboru modelu przy użyciu języka R lub Python.

W procesie znajdowania najlepszego zestawu parametrów znajdują się cztery kroki:

1. Zdefiniuj przestrzeń parametrów: dla algorytmu najpierw określ dokładne wartości parametrów, które chcesz wziąć pod uwagę.
2. Zdefiniuj ustawienia krzyżowego sprawdzania poprawności: zdecyduj, jak wybrać fałdy krzyżowe dla zestawu danych.
3. Zdefiniuj metrykę: zdecyduj, która metryka ma być używana do określania najlepszego zestawu parametrów, takich jak dokładność, błąd średniokwadratowy głównego, precyzja, kompletność lub wynik f.
4. Trenowanie, ocenianie i porównywanie: Dla każdej unikatowej kombinacji wartości parametrów przeprowadzana jest krzyżowa walidacja na podstawie zdefiniowanej metryki błędu. Po przeprowadzeniu oceny i porównania można wybrać model o najlepszej wydajności.

Na poniższej ilustracji pokazano, jak można to osiągnąć w usłudze Machine Learning Studio (wersja klasyczna).

Definiowanie przestrzeni parametrów

Zestaw parametrów można zdefiniować w kroku inicjowania modelu. Okienko parametrów wszystkich algorytmów uczenia maszynowego ma dwa tryby trenera: Pojedynczy parametr i Zakres parametrów. Wybierz pozycję Tryb zakresu parametrów. W trybie Zakres parametrów można wprowadzić wiele wartości dla każdego parametru. W polu tekstowym można wprowadzić wartości rozdzielane przecinkami.

Alternatywnie można zdefiniować maksymalną i minimalną liczbę punktów siatki oraz łączną liczbę punktów do wygenerowania za pomocą narzędzia Use Range Builder. Domyślnie wartości parametrów są generowane w skali liniowej. Jednak jeśli jest sprawdzana skala dzienników, wartości są generowane w skali dziennika (czyli stosunek sąsiednich punktów jest stały zamiast ich różnicy). W przypadku parametrów liczb całkowitych można zdefiniować zakres przy użyciu łącznika. Na przykład "1–10" oznacza, że wszystkie liczby całkowite z zakresu od 1 do 10 (włącznie) tworzą zestaw parametrów. Obsługiwany jest również tryb mieszany. Na przykład zestaw parametrów "1–10, 20, 50" będzie zawierać liczby całkowite 1–10, 20 i 50.

Definiowanie fałdów krzyżowych walidacji

Moduł Partition and Sample (Partycja i przykład ) może służyć do losowego przypisywania fałdów do danych. W poniższej przykładowej konfiguracji modułu zdefiniujemy pięć razy i losowo przypiszemy liczbę krotnie do przykładowych wystąpień.

Definiowanie metryki

Moduł Dostrajanie hiperparametrów modelu zapewnia obsługę empirycznego wybierania najlepszego zestawu parametrów dla danego algorytmu i zestawu danych. Oprócz innych informacji dotyczących trenowania modelu okienko Właściwości tego modułu zawiera metryki służące do określania najlepszego zestawu parametrów. Ma dwa różne pola listy rozwijanej dla algorytmów klasyfikacji i regresji, odpowiednio. Jeśli rozważany algorytm jest algorytmem klasyfikacji, metryka regresji jest ignorowana i odwrotnie. W tym konkretnym przykładzie metryka to Dokładność.

Trenowanie, ocenianie i porównywanie

Ten sam moduł Tune Model Hyperparameters trenuje wszystkie modele, które odpowiadają zestawowi parametrów, ocenia różne metryki, a następnie tworzy najlepiej wytrenowany model na podstawie wybranej metryki. Ten moduł zawiera dwa obowiązkowe dane wejściowe:

• Nieuszkodzony uczni
• Zestaw danych

Moduł zawiera również opcjonalne dane wejściowe zestawu danych. Połącz zestaw danych z złożonymi informacjami z obowiązkowymi danymi wejściowymi zestawu danych. Jeśli zestaw danych nie ma przypisanych żadnych złożonych informacji, 10-krotne krzyżowe sprawdzanie poprawności jest domyślnie wykonywane automatycznie. Jeśli przypisanie składania nie zostanie wykonane i zestaw danych weryfikacji zostanie udostępniony na opcjonalnym porcie zestawu danych, zostanie wybrany tryb trenowania testu, a pierwszy zestaw danych jest używany do trenowania modelu dla każdej kombinacji parametrów.

Następnie model jest oceniany na zestawie danych weryfikacji. Lewy port wyjściowy modułu przedstawia różne metryki jako funkcje wartości parametrów. Właściwy port wyjściowy udostępnia wytrenowany model odpowiadający modelowi o najlepszej wydajności zgodnie z wybraną metryą (dokładność w tym przypadku).

Możesz zobaczyć dokładne parametry wybrane przez wizualizację odpowiedniego portu wyjściowego. Ten model może być używany w ocenianiu zestawu testowego lub w zoperacjonalizowanej usłudze internetowej po zapisaniu jako wytrenowanego modelu.