Perceptron Médio de Duas Classes

Importante

O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).

• Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
• Saiba mais sobre o Azure Machine Learning.

A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Cria um modelo de classificação binária perceptron médio

Categoria: Machine Learning/Inicializar modelo/classificação

Observação

Aplica-se a: Machine Learning Studio (clássico) somente

Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.

Visão geral do módulo

Este artigo descreve como usar o módulo Perceptron médio de duas classes no Machine Learning Studio (clássico) para criar um modelo de machine learning com base no algoritmo perceptron médio.

Esse algoritmo de classificação é um método de aprendizado supervisionado e requer um conjunto de dados marcado, que inclui uma coluna de rótulo. Você pode treinar o modelo fornecendo o modelo e o conjuntos de dados marcados como uma entrada para Treinar Modelo ou Ajustar Hiperparmetros do Modelo. O modelo treinado pode ser usado para prever valores para os novos exemplos de entrada.

Mais sobre modelos perceptron médios

O método perceptron médio é uma versão inicial e muito simples de uma rede neural. Nesta abordagem, as entradas são classificadas em diversas saídas possíveis com base em uma função linear e combinadas com um conjunto de pesos derivados do vetor de recurso – daí o nome "perceptron".

Os modelos perceptron mais simples são adequados ao aprendizado de padrões separáveis linearmente, enquanto as redes neurais (especialmente redes neurais profundas) podem modelar limites de classe mais complexos. No entanto, os perceptrons são mais rápidos e conforme eles processem casos em série, podem ser usados com treinamento contínuo.

Como configurar o Perceptron Médio de Duas Classes

1. Adicione o módulo Perceptron médio de duas classes ao seu experimento no Studio (clássico).

2. Especifique como você deseja que o modelo seja treinado, definindo a opção Criar o modo de treinador.

   • Parâmetro Único: se você sabe como configurar o modelo, forneça um conjunto específico de valores como argumentos.

   • Intervalo de Parâmetros: se você não tiver certeza dos melhores parâmetros, encontre os parâmetros ideais especificando vários valores e usando o módulo Ajustar Hiperparmetros do Modelo para encontrar a configuração ideal. O treinador itera em várias combinações das configurações fornecidas e determina a combinação de valores que produz o melhor modelo.

3. Especifique um valor para Taxa de aprendizagem. Os valores da taxa de aprendizado controlam o tamanho da etapa usada na descendente de gradiente estocástico cada vez que o modelo é testado e corrigido.

   Tornando a taxa menor, você testa o modelo com mais frequência, com o risco de ficar preso em um limite local. Aumentando a etapa, você pode convergir mais rapidamente, com o risco mínimo de errar o alvo verdadeiro.

4. Para Número máximo de iterações, digite o número de vezes que você deseja que o algoritmo examine os dados de treinamento.

   Parando no início geralmente fornece melhor generalização. Aumentar o número de iterações melhora o ajuste, com o risco de superajuste.

5. Para Semente de número aleatório, digite opcionalmente um valor inteiro para usar como semente. Usar uma semente é recomendado se você quiser garantir reprodução do experimento entre execuções.

6. Selecione a opção Permitir níveis categóricos desconhecidos para criar um grupo para valores desconhecidos nos conjuntos de treinamento e validação. O modelo pode ser menos preciso para valores conhecidos, mas ele pode fornecer melhores previsões para novos valores (desconhecidos).

   Se você desmarcar essa opção, o modelo pode aceitar apenas os valores que estão contidos nos dados de treinamento.

7. Conexão um conjuntos de dados de treinamento e um dos módulos de treinamento:

   • Se você configurar Criar modo treinador como Parâmetro único, use o módulo Treinar modelo.

   • Se você configurar Criar modo treinador como Intervalo de parâmetros, use o módulo Ajustar hiperparâmetros do modelo.

   Observação

   Se você transmitir um intervalo de parâmetros para o módulo Treinar modelo, ele usará apenas o primeiro valor da lista de intervalo de parâmetros.

   Se você transmitir um só conjunto de valores de parâmetro para o módulo Ajustar hiperparâmetros do modelo, quando ele espera um intervalo de configurações para cada parâmetro, ele vai ignorar os valores e usará os valores padrão para o aprendiz.

   Se selecionar a opção Intervalo de Parâmetros e inserir um único valor para qualquer parâmetro, esse valor único especificado será usado em toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.

Resultados

Após a conclusão do treinamento:

• Para ver um resumo dos parâmetros do modelo, junto com os pesos dos recursos aprendidos com o treinamento, clique com o botão direito do mouse na saída de Treinar Modelo ou Ajustar Hiperparmetros do Modelo.

Exemplos

Para exemplos de como esse algoritmo de aprendizado é usado, consulte o Galeria de IA do Azure:

• Exemplo de validação cruzada para classificadores binários: compara vários modelos de classificação.

Observações técnicas

Esta seção contém detalhes de implementação, dicas e respostas para perguntas frequentes.

Dicas de uso

Para este tipo de modelo é uma prática recomendada normalizar os conjuntos de dados antes de usá-los para treinar o classificador. Para opções de normalização, consulte Normalizar dados.

O modelo de média perceptron é uma versão inicial e simplificada de redes neurais. Como tal, ele funciona bem em conjuntos de dados simples quando seu objetivo for velocidade acima da precisão. No entanto, se você não estiver recebendo os resultados desejados, tente um destes modelos:

• Rede neural de duas classes ourede neural multiclasse

• Regressão logística de duas classes ouregressão logística multiclasse

• Árvore de Decisão Aumentada de Duas Classes

Parâmetros do módulo

Nome	Intervalo	Type	Padrão	Descrição
Taxa de aprendizado	>=double.Epsilon	Float	1,0	A taxa de aprendizagem inicial do otimizador Descendente do gradiente estocástico.
Número máximo de iterações	>=1	Integer	10	O número de iterações Descente de gradiente estocástico a serem executadas sobre o conjunto de dados de treinamento.
Propagação de número aleatório	Qualquer	Integer		A propagação para o gerador de número aleatório usado pelo modelo. Deixe em branco para o padrão.
Permitir níveis categóricos desconhecidos	Qualquer	Booliano	verdadeiro	Se True, cria um nível adicional para cada coluna categórica. Quaisquer níveis no conjunto de dados teste que não estão disponíveis no conjunto de dados de treinamento são mapeados para este nível adicional.

Saída

Nome	Tipo	Descrição
Modelo não treinado	Interface ILearner	Um modelo de classificação binária não treinado que pode ser conectado aos módulos Multiclasse Um contra Todos, Treinar Modelo ou Modelo de Validação Cruzada.

Confira também

Classificação
Lista de Módulo A-Z