Componente de Rede Neural multiclasse
Este artigo descreve um componente no estruturador do Azure Machine Learning.
Utilize este componente para criar um modelo de rede neural que pode ser utilizado para prever um destino com múltiplos valores.
Por exemplo, redes neurais deste tipo podem ser utilizadas em tarefas complexas de imagem digitalizada, como reconhecimento de dígitos ou letras, classificação de documentos e reconhecimento de padrões.
A classificação com redes neurais é um método de aprendizagem supervisionado e, por conseguinte, requer um conjunto de dados etiquetado que inclua uma coluna de etiqueta.
Pode preparar o modelo ao fornecer o modelo e o conjunto de dados marcados como uma entrada para Preparar Modelo. Em seguida, o modelo preparado pode ser utilizado para prever valores para os novos exemplos de entrada.
Acerca das redes neurais
Uma rede neural é um conjunto de camadas interligadas. As entradas são a primeira camada e estão ligadas a uma camada de saída por um gráfico acíclico composto por arestas e nós ponderados.
Entre as camadas de entrada e saída, pode inserir várias camadas ocultas. A maioria das tarefas preditivas pode ser realizada facilmente com apenas uma ou algumas camadas ocultas. No entanto, pesquisas recentes mostraram que redes neurais profundas (DNN) com muitas camadas podem ser eficazes em tarefas complexas, como reconhecimento de imagem ou voz. As camadas sucessivas são utilizadas para modelar níveis crescentes de profundidade semântica.
A relação entre entradas e saídas é aprendida com a preparação da rede neural nos dados de entrada. A direção do gráfico continua a partir das entradas através da camada oculta e para a camada de saída. Todos os nós numa camada estão ligados pelas arestas ponderadas aos nós na camada seguinte.
Para calcular a saída da rede para uma determinada entrada, é calculado um valor em cada nó nas camadas ocultas e na camada de saída. O valor é definido ao calcular a soma ponderada dos valores dos nós da camada anterior. Em seguida, é aplicada uma função de ativação a essa soma ponderada.
Configurar a Rede Neural multiclasse
Adicione o componente Rede Neural MultiClass ao pipeline no estruturador. Pode encontrar este componente em Machine Learning, Inicializar, na categoria Classificação .
Criar modo de formador: utilize esta opção para especificar como pretende que o modelo seja preparado:
Parâmetro Único: selecione esta opção se já souber como pretende configurar o modelo.
Intervalo de Parâmetros: selecione esta opção se não tiver a certeza dos melhores parâmetros e quiser executar uma varrimento de parâmetros. Selecione um intervalo de valores para iterar e os Hiperparâmetros do Modelo de Otimização itera todas as combinações possíveis das definições que forneceu para determinar os hiperparâmetros que produzem os resultados ideais.
Especificação da camada oculta: selecione o tipo de arquitetura de rede a criar.
Caso totalmente ligado: selecione esta opção para criar um modelo com a arquitetura de rede neural predefinida. Para modelos de rede neural multiclasse, as predefinições são as seguintes:
- Uma camada oculta
- A camada de saída está totalmente ligada à camada oculta.
- A camada oculta está totalmente ligada à camada de entrada.
- O número de nós na camada de entrada é determinado pelo número de funcionalidades nos dados de preparação.
- O número de nós na camada oculta pode ser definido pelo utilizador. A predefinição é 100.
- O número de nós na camada de saída depende do número de classes.
Número de nós ocultos: esta opção permite-lhe personalizar o número de nós ocultos na arquitetura predefinida. Escreva o número de nós ocultos. A predefinição é uma camada oculta com 100 nós.
A taxa de aprendizagem: defina o tamanho do passo dado em cada iteração, antes da correção. Um valor maior para a taxa de aprendizagem pode fazer com que o modelo converga mais rapidamente, mas pode ultrapassar o mínimo local.
Número de iterações de aprendizagem: especifique o número máximo de vezes que o algoritmo deve processar os casos de preparação.
O diâmetro dos pesos de aprendizagem inicial: especifique os pesos dos nós no início do processo de aprendizagem.
O impulso: especifique um peso a aplicar durante a aprendizagem aos nós de iterações anteriores.
Exemplos aleatórios: selecione esta opção para baralhar casos entre iterações.
Se desselecionar esta opção, os casos são processados exatamente pela mesma ordem sempre que executa o pipeline.
Semente de número aleatório: escreva um valor a utilizar como seed, se quiser garantir a repetibilidade entre execuções do mesmo pipeline.
Preparar o modelo:
Se definir Criar modo de formador como Parâmetro Único, ligue um conjunto de dados etiquetado e o componente Preparar Modelo .
Se definir Criar modo de formador como Intervalo de Parâmetros, ligue um conjunto de dados etiquetado e prepare o modelo com Os Hiperparâmetros do Modelo de Otimização.
Nota
Se passar um intervalo de parâmetros para Preparar Modelo, este utiliza apenas o valor predefinido na lista de parâmetros únicos.
Se transmitir um único conjunto de valores de parâmetros para o componente Tune Model Hyperparameters , quando espera um intervalo de definições para cada parâmetro, ignora os valores e utiliza os valores predefinidos para o formando.
Se selecionar a opção Intervalo de Parâmetros e introduzir um único valor para qualquer parâmetro, esse valor único que especificou é utilizado ao longo da pesquisa, mesmo que outros parâmetros sejam alterados num intervalo de valores.
Resultados
Após a conclusão da preparação:
- Para guardar um instantâneo do modelo preparado, selecione o separador Saídas no painel direito do componente Preparar modelo . Selecione o ícone Registar conjunto de dados para guardar o modelo como um componente reutilizável.
Passos seguintes
Veja o conjunto de componentes disponíveis para o Azure Machine Learning.