Two-Class componente Perceptron Médio
Este artigo descreve um componente no estruturador do Azure Machine Learning.
Utilize este componente para criar um modelo de machine learning com base no algoritmo perceptron médio.
Este algoritmo de classificação é um método de aprendizagem supervisionado e requer um conjunto de dados etiquetado, que inclui uma coluna de etiqueta. 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.
Acerca dos modelos perceptron médios
O método perceptron médio é uma versão inicial e simples de uma rede neural. Nesta abordagem, as entradas são classificadas em várias saídas possíveis com base numa função linear e, em seguida, combinadas com um conjunto de pesos derivados do vetor de funcionalidades, daí o nome "perceptron".
Os modelos perceptron mais simples são adequados para aprender padrões linearmente separados, enquanto as redes neurais (especialmente redes neurais profundas) podem modelar limites de classe mais complexos. No entanto, os perceptores são mais rápidos e, uma vez que processam casos em série, os perceptores podem ser utilizados com preparação contínua.
Como configurar Two-Class Perceptron Médio
Adicione o componente Perceptron Médio de Duas Classes ao pipeline.
Especifique como pretende que o modelo seja preparado ao definir a opção Criar modo de formador .
Parâmetro Único: se souber como pretende configurar o modelo, forneça um conjunto específico de valores como argumentos.
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.
Para Taxa de aprendizagem, especifique um valor para a taxa de aprendizagem. Os valores da taxa de aprendizagem controlam o tamanho do passo utilizado em gradação de gradação estocástica descendente sempre que o modelo é testado e corrigido.
Ao tornar a taxa mais pequena, testa o modelo com mais frequência, com o risco de ficar preso num planalto local. Ao aumentar o passo, pode convergir mais rapidamente, correndo o risco de ultrapassar o verdadeiro mínimo.
Para Número máximo de iterações, escreva o número de vezes que pretende que o algoritmo examine os dados de preparação.
Parar cedo muitas vezes proporciona uma melhor generalização. Aumentar o número de iterações melhora o ajuste, correndo o risco de sobreajuste.
Para Semente de número aleatório, escreva opcionalmente um valor inteiro para utilizar como seed. A utilização de uma seed é recomendada se quiser garantir a reprodutibilidade do pipeline entre execuções.
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.
Passos seguintes
Veja o conjunto de componentes disponíveis para o Azure Machine Learning.