Componente de Regressão de Rede Neural
Cria um modelo de regressão com um algoritmo de rede neural
Categoria: Machine Learning/Inicializar Modelo/Regressão
Descrição geral do componente
Este artigo descreve um componente no estruturador do Azure Machine Learning.
Utilize este componente para criar um modelo de regressão com um algoritmo de rede neural personalizável.
Embora as redes neurais sejam amplamente conhecidas pela utilização na aprendizagem profunda e pela modelação de problemas complexos, como o reconhecimento de imagens, são facilmente adaptadas a problemas de regressão. Qualquer classe de modelos estatísticos pode ser denominada rede neural se utilizar pesos adaptáveis e conseguir aproximar funções não lineares das suas entradas. Assim, a regressão da rede neural é adequada para problemas em que um modelo de regressão mais tradicional não se ajusta a uma solução.
A regressão de rede neural é um método de aprendizagem supervisionado e, por conseguinte, requer um conjunto de dados etiquetado, que inclui uma coluna de etiqueta. Uma vez que um modelo de regressão prevê um valor numérico, a coluna de etiqueta tem de ser um tipo de dados numérico.
Pode preparar o modelo ao fornecer o modelo e o conjunto de dados etiquetados como uma entrada para Preparar Modelo. Em seguida, o modelo preparado pode ser utilizado para prever valores para os novos exemplos de entrada.
Configurar a Regressão da Rede Neural
As redes neurais podem ser amplamente personalizadas. Esta secção descreve como criar um modelo com dois métodos:
Criar um modelo de rede neural com a arquitetura predefinida
Se aceitar a arquitetura de rede neural predefinida, utilize o painel Propriedades para definir parâmetros que controlam o comportamento da rede neural, como o número de nós na camada oculta, a taxa de aprendizagem e a normalização.
Comece aqui se não estiver familiarizado com as redes neurais. O componente suporta muitas personalizações, bem como otimização de modelos, sem conhecimento profundo das redes neurais.
Definir uma arquitetura personalizada para uma rede neural
Utilize esta opção se quiser adicionar camadas ocultas adicionais ou personalizar totalmente a arquitetura de rede, as respetivas ligações e funções de ativação.
Esta opção é melhor se já estiver um pouco familiarizado com as redes neurais. Utilize a linguagem Net# para definir a arquitetura de rede.
Criar um modelo de rede neural com a arquitetura predefinida
Adicione o componente Regressão de Rede Neural ao pipeline no estruturador. Pode encontrar este componente em Machine Learning, Inicializar, na categoria Regressão .
Indique como pretende que o modelo seja preparado ao definir a opção Criar modo de formador .
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 iteram todas as combinações possíveis das definições que forneceu para determinar os hiperparâmetros que produzem os resultados ideais.
Em Especificação de camada oculta, selecione Maiúsculas e minúsculas totalmente ligadas. Esta opção cria um modelo com a arquitetura de rede neural predefinida, que para um modelo de regressão de rede neural, tem estes atributos:
- A rede tem exatamente uma camada oculta.
- A camada de saída está totalmente ligada à camada oculta e a camada oculta está totalmente ligada à camada de entrada.
- O número de nós na camada oculta pode ser definido pelo utilizador (o valor predefinido é 100).
Uma vez que o número de nós na camada de entrada é determinado pelo número de funcionalidades nos dados de preparação, num modelo de regressão só pode existir um nó na camada de saída.
Em Número de nós ocultos, escreva o número de nós ocultos. A predefinição é uma camada oculta com 100 nós. (Esta opção não está disponível se definir uma arquitetura personalizada com Net#.)
Para Taxa de aprendizagem, escreva um valor que defina o 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 sobrepor-se ao mínimo local.
Para Número de iterações de aprendizagem, especifique o número máximo de vezes que o algoritmo processa os casos de preparação.
Em A dinâmica, escreva um valor a aplicar durante a aprendizagem como um peso em nós de iterações anteriores.
Selecione a opção Aleatoriamente exemplos para alterar a ordem dos casos entre iterações. Se desselecionar esta opção, os casos são processados exatamente pela mesma ordem sempre que executar o pipeline.
Em Sementes de números aleatórios, pode, opcionalmente, escrever um valor a utilizar como semente. Especificar um valor de seed é útil quando quer garantir a repetibilidade em execuções do mesmo pipeline.
Ligue um conjunto de dados de preparação e prepare 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 transmitir 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 Otimizar Hiperparâmetros do Modelo , 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 valor único para qualquer parâmetro, esse valor único que especificou é utilizado ao longo da operação de varrimento, mesmo que outros parâmetros sejam alterados num intervalo de valores.
Submeta o pipeline.
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.