Componente Rede Neural de Duas Classes
Este artigo descreve o componente no Azure Machine Learning Designer.
Use este componente para criar um modelo de rede neural que possa ser usado para prever um destino que tenha somente dois valores.
A classificação usando redes neurais é um método de aprendizado supervisionado e, portanto, requer um conjunto de dados marcado que inclua uma coluna de rótulo. Por exemplo, você pode usar esse modelo de rede neural para prever resultados binários, como se um paciente tem ou não uma determinada doença ou se um computador provavelmente falhará dentro de uma janela de tempo especificada.
Depois de definir o modelo, treine-o fornecendo um conjunto de dados marcado e o modelo como uma entrada para o modelo de treinamento. O modelo treinado pode então ser usado para prever valores para novas entradas.
Mais sobre redes neurais
Uma rede neural é um conjunto de camadas interconectadas. As entradas são a primeira camada e são conectadas a uma camada de saída por um grafo acíclico composto por bordas e nós ponderados.
Entre as camadas de entrada e saída, você pode inserir várias camadas ocultas. Mais tarefas de previsão podem ser feitas facilmente com apenas uma ou algumas camadas ocultas. No entanto, pesquisas recentes demonstraram que DNNs (redes neurais profundas) com muitas camadas podem ser eficazes em tarefas complexas, como reconhecimento de imagens ou de fala. As camadas sucessivas são usadas para modelar níveis crescentes de profundidade semântica.
A relação entre entradas e saídas é aprendida com o treinamento da rede neural com os dados de entrada. A direção do grafo vai das entradas por meio da camada oculta até a camada de saída. Todos os nós em uma camada são conectados pelas bordas ponderadas aos nós na próxima camada.
Para calcular a saída da rede para uma entrada específica, um valor é calculado em cada nó nas camadas ocultas e na camada de saída. O valor é definido calculando a soma ponderada dos valores dos nós da camada anterior. Em seguida, uma função de ativação é aplicada a essa soma ponderada.
Como configurar
Adicione o componente Rede Neural de Duas Classes ao seu pipeline. Você pode encontrar esse componente em Machine Learning, Inicializar, na categoria Classificação.
Especifique como você deseja que o modelo seja treinado definindo a opção Criar modo de aprendizagem.
Parâmetro único: escolha esta opção se você já souber como deseja configurar o modelo.
Intervalo de Parâmetros: caso não tenha certeza de quais são os melhores parâmetros, você pode encontrar os parâmetros ideais usando o componente Ajustar Hiperparâmetros do Modelo. Você fornece algum intervalo de valores, e o treinador itera com várias combinações de configurações para determinar a combinação de valores que produz o melhor resultado.
Para especificação de camada oculta, selecione o tipo de arquitetura de rede a ser criada.
Caso totalmente conectado: usa a arquitetura de rede neural padrão, definida para redes neurais de duas classes, da seguinte maneira:
Tem uma camada oculta.
A camada de saída é totalmente conectada à camada oculta e a camada oculta é totalmente conectada à camada de entrada.
O número de nós na camada de entrada é igual ao número de recursos nos dados de treinamento.
O número de nós na camada oculta é definido pelo usuário. O valor padrão é 100.
O número de nós é igual ao número de nós de classes. Para uma rede neural de duas classes, isso significa que todas as entradas devem ser mapeadas para um dos dois nós na camada de saída.
Para a taxa de aprendizagem defina o tamanho da etapa executada em cada iteração, antes da correção. Um valor maior para a taxa de aprendizagem pode fazer o modelo convergir mais rapidamente, mas com o risco mínimo de errar o alvo verdadeiro.
Para número de iterações de aprendizagem, especifique o número máximo de vezes que o algoritmo deve processar os casos de treinamento.
Para o diâmetro inicial dos pesos de aprendizagem, especifique os pesos do nó no início do processo de aprendizagem.
Para oimpulso, especifique um peso a ser aplicado durante a aprendizagem aos nós das iterações anteriores
Selecione a opção embaralhar exemplos para embaralhar casos entre iterações. Se você desmarcar essa opção, os casos serão processados exatamente na mesma ordem toda vez que você executar o pipeline.
Para semente de número aleatório, digite um valor a ser usado como a semente.
Especificar um valor de semente é útil quando você deseja garantir a capacidade de repetição em execuções do mesmo pipeline. Caso contrário, um valor de relógio do sistema será usado como a semente, o que pode produzir resultados ligeiramente diferentes em execuções do mesmo pipeline.
Adicione um conjunto de dados rotulado ao pipeline e treine o modelo:
Se você definir Criar modo treinador como Parâmetro Único, conecte um conjunto de dados marcado e o componente Treinar Modelo.
Se definir Criar modo de aprendizagem como Intervalo de parâmetros, conecte um conjunto de dados marcado e treine o modelo usando Ajustar hiperparâmetros do modelo.
Observação
Se você passar um intervalo de parâmetros para Treinar modelo, ele usará apenas o valor padrão na lista de parâmetros únicos.
Se você passar apenas um conjunto de valores de parâmetro para o componente Ajustar Hiperparâmetros do Modelo, quando ele espera receber um intervalo de configurações para cada parâmetro, ele ignorará os valores e usará os valores padrão para o aprendiz.
Se escolher a opção Intervalo de Parâmetros e inserir um único valor para um parâmetro, esse valor único especificado será usado em toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.
Enviar o pipeline.
Resultados
Após a conclusão do treinamento:
Para salvar um instantâneo do modelo treinado, escolha a guia Saídas no painel direito do componente Treinar modelo. Escolha o ícone Registrar conjunto de dados para salvá-lo como um componente reutilizável.
Para usar o modelo para pontuação, adicione o componente Pontuação de Modelo a um pipeline.
Próximas etapas
Confira o conjunto de componentes disponíveis no Azure Machine Learning.