Dwuklasowy uśredniony perceptron

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 programu ML Studio (wersja klasyczna) do Azure Machine Learning.
• Dowiedz się więcej o Azure Machine Learning.

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

Tworzy uśredniony binarny model klasyfikacji perceptronu

Kategoria: Machine Learning/ Inicjowanie modelu/klasyfikacji

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

Omówienie modułu

W tym artykule opisano sposób użycia modułu Two-Class Averaged Perceptron (Dwuklasowy uśredniony perceptron) w programie Machine Learning Studio (wersja klasyczna) w celu utworzenia modelu uczenia maszynowego na podstawie uśredniony algorytm perceptronu.

Ten algorytm klasyfikacji to nadzorowana metoda uczenia, która wymaga otagowanego zestawu danych, który zawiera kolumnę etykiety. Model można wytszkolić, podając model i oznakowany zestaw danych jako dane wejściowe hiperparametrów trenowania modelu lub dostrajania modelu. Wytrenowany model może następnie służyć do przewidywania wartości dla nowych przykładów wejściowych.

Więcej informacji na temat średnich modeli perceptronowych

Uśredniona metoda perceptronu to wczesna i bardzo prosta wersja sieci neuronowej. W tym podejściu dane wejściowe są klasyfikowane do kilku możliwych danych wyjściowych na podstawie funkcji liniowej, a następnie łączone z zestawem wag pochodzących z wektora cech — stąd nazwa "perceptron".

Prostsze modele perceptronowe są odpowiednie do uczenia wzorców, które można odseparować liniowo, podczas gdy sieci neuronowe (zwłaszcza głębokie sieci neuronowe) mogą modelować bardziej złożone granice klas. Jednak perceptrony są szybsze, a ponieważ przetwarzają przypadki szeregowo, perceptrony mogą być używane w przypadku ciągłego trenowania.

Jak skonfigurować uśredniony Two-Class perceptron

1. Dodaj moduł Two-Class Averaged Perceptron (Dwuklasowy uśredniony perceptron ) do eksperymentu w programie Studio (wersja klasyczna).

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

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

   • Zakres parametrów: jeśli nie masz pewności co do najlepszych parametrów, znajdź optymalne parametry, określając wiele wartości i używając modułu Hiperparametry modelu dostrajania, aby znaleźć optymalną konfigurację. Instruktor iteruje po wielu kombinacjach podanych ustawień i określa kombinację wartości, która tworzy najlepszy model.

3. Dla Edukacja określ wartość kursu nauki. Wartości szybkości uczenia steruje rozmiarem kroku używanego w stochastycznych spadkach gradientu za każdym razem, gdy model jest testowany i poprawiany.

   Dzięki mniejszej szybkości model jest testowany częściej z ryzykiem, że utkniesz w lokalnym rygorze. Dzięki większych krokom można szybciej zbiegać się na ryzyko przekroczenia prawdziwych wartości minimów.

4. W przypadku maksymalnej liczby iteracji wpisz, ile razy algorytm ma zbadać dane treningowe.

   Wczesne zatrzymywanie często zapewnia lepszą generalizację. Zwiększenie liczby iteracji zwiększa dopasowanie, co jest narażone na ryzyko wystąpienia przesłonić.

5. W przypadku losowego iniekcju liczb opcjonalnie wpisz wartość całkowitą, która ma być wartością iniekcją. Użycie iniekatora jest zalecane, jeśli chcesz zapewnić powtarzalność eksperymentu między przebiegami.

6. Wybierz opcję Zezwalaj na nieznane poziomy kategorii , aby utworzyć grupę dla nieznanych wartości w zestawach trenowania i walidacji. Model może być mniej dokładny dla znanych wartości, ale może zapewnić lepsze przewidywania dla nowych (nieznanych) wartości.

   Jeśli ta opcja zostanie odznaczona, model może akceptować tylko wartości zawarte w danych szkoleniowych.

7. Połączenie zestaw danych szkoleniowych i jeden z modułów szkoleniowych:

   • Jeśli ustawisz tryb Tworzenia instruktora na wartość Pojedynczy parametr, użyj modułu Train Model (Trenowanie modelu).

   • Jeśli ustawisz ustawienie Utwórz tryb instruktora na wartość Zakres parametrów, użyj modułu Hiperparametry modelu dostrajania .

   Uwaga

   Jeśli przekażemy zakres parametrów do funkcji Train Model, będzie używana tylko pierwsza wartość z listy zakresów parametrów.

   Jeśli przekażemy pojedynczy zestaw wartości parametrów do modułu Hiperparametry modelu dostrajania, jeśli oczekuje on zakresu ustawień dla każdego parametru, zignoruje wartości i użyje wartości domyślnych dla uczących się.

   W przypadku wybrania opcji Zakres parametrów i wprowadzenia pojedynczej wartości dla dowolnego parametru określona pojedyncza wartość będzie używana podczas całej czyszczenie, nawet jeśli inne parametry zmienią się w zakresie wartości.

Wyniki

Po zakończeniu szkolenia:

• Aby wyświetlić podsumowanie parametrów modelu wraz z wagami funkcji uczonymi podczas trenowania, kliknij prawym przyciskiem myszy dane wyjściowe polecenia Train Model (Trenowanie modelu) lub Tune Model Hyperparameters (Dostrajanie hiperparametrów modelu).

Przykłady

Aby uzyskać przykłady dotyczące sposobu, w jaki jest używany ten algorytm uczenia, zobacz Azure AI Gallery:

• Przykład krzyżowej weryfikacji klasyfikatorów binarnych: porównuje wiele modeli klasyfikacji.

Uwagi techniczne

Ta sekcja zawiera szczegóły implementacji, porady i odpowiedzi na często zadawane pytania.

Porady dotyczące użycia

W przypadku tego typu modelu najlepszym rozwiązaniem jest normalizacja zestawów danych przed użyciem ich do trenowania klasyfikatora. Aby uzyskać informacje na temat opcji normalizacji, zobacz Normalize Data (Normalizacja danych).

Uśredniony model perceptronu to wczesna i uproszczona wersja sieci neuronowych. W związku z tym dobrze sprawdza się w przypadku prostych zestawów danych, gdy celem jest szybkość nad dokładnością. Jeśli jednak nie masz pożądanych wyników, wypróbuj jeden z tych modeli:

• Dwuklasowa sieć neuronowa lub wieloklasowa sieć neuronowa

• Dwuklasowa regresja logistyczna lub wieloklasowa regresja logistyczna

• Two-Class Boosted Decision Tree (Dwuklasowe wzmocnione drzewo decyzyjne)

Parametry modułu

Nazwa	Zakres	Typ	Domyślny	Opis
Tempo nauki	>= double. Epsilon	Float	1.0	Początkowy wskaźnik nauki dla optymalizatora stochastycznego spadku gradientu.
Maksymalna liczba iteracji	>= 1	Liczba całkowita	10	Liczba iteracji stochastycznego spadku gradientu do wykonania na zestawie danych treningowych.
Iniekt liczb losowych	Dowolne	Liczba całkowita		Iniekt dla generatora liczb losowych używanego przez model. Pozostaw wartość domyślną pustą.
Zezwalaj na nieznane poziomy kategorii	Dowolne	Boolean	Prawda	W przypadku wartości True element tworzy dodatkowy poziom dla każdej kolumny kategorii. Wszystkie poziomy w testowym zestawie danych, które nie są dostępne w zestawie danych treningowych, są mapowane na ten dodatkowy poziom.

Dane wyjściowe

Nazwa	Typ	Opis
Nie wytrenowany model	ILearner, interfejs	Nieprzetrenowany binarny model klasyfikacji, który można połączyć z modułami moduł wieloklasowy „jeden przeciw wszystkim”, Train Model (Trenowanie modelu) lub Cross-Validate Model (Krzyżowe sprawdzanie poprawności modelu).

Zobacz też

Klasyfikacja
Lista modułów A–Z