Two-Class componente de Rede Neural
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 que tenha apenas dois valores.
A classificação com redes neurais é um método de aprendizagem supervisionado e, por conseguinte, requer um conjunto de dados etiquetado, que inclui uma coluna de etiqueta. Por exemplo, pode utilizar este modelo de rede neural para prever resultados binários, tais como se um paciente tem ou não uma determinada doença ou se é provável que uma máquina falhe dentro de uma janela de tempo especificada.
Depois de definir o modelo, prepare-o ao fornecer um conjunto de dados etiquetado e o modelo como uma entrada para Preparar Modelo. Em seguida, o modelo preparado pode ser utilizado para prever valores para novas entradas.
Mais informações sobre 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.
Como configurar
Adicione o componente rede neural de duas classes ao pipeline. Pode encontrar este componente em Machine Learning, Inicializar, na categoria Classificação .
Especifique 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: se não tiver a certeza dos melhores parâmetros, pode encontrar os parâmetros ideais com o componente Otimizar Hiperparâmetros do Modelo . Fornece algum intervalo de valores e o treinador itera várias combinações das definições para determinar a combinação de valores que produz o melhor resultado.
Para especificação de camada oculta, selecione o tipo de arquitetura de rede a criar.
Caso totalmente ligado: utiliza a arquitetura de rede neural predefinida, definida para redes neurais de duas classes da seguinte forma:
Tem 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 de entrada é igual ao número de funcionalidades nos dados de preparação.
O número de nós na camada oculta é definido pelo utilizador. O valor predefinido é 100.
O número de nós é igual ao número de classes. Para uma rede neural de duas classes, isto significa que todas as entradas têm de mapear para um de dois nós na camada de saída.
Para 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.
Para Número de iterações de aprendizagem, especifique o número máximo de vezes que o algoritmo deve processar os casos de preparação.
Para O diâmetro dos pesos de aprendizagem inicial, especifique os pesos dos nós no início do processo de aprendizagem.
Para A dinâmica, especifique um peso a aplicar durante a aprendizagem aos nós de iterações anteriores
Selecione a opção Baralhar exemplos para baralhar casos entre iterações. Se desselecionar esta opção, os casos são processados exatamente pela mesma ordem sempre que executa o pipeline.
Para Semente de número aleatório, escreva um valor a utilizar como semente.
Especificar um valor de seed é útil quando pretende garantir a repetibilidade em execuções do mesmo pipeline. Caso contrário, é utilizado um valor de relógio do sistema como a semente, o que pode causar resultados ligeiramente diferentes sempre que executar o pipeline.
Adicione um conjunto de dados etiquetado ao pipeline 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 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.
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.
Para utilizar o modelo para classificação, adicione o componente Score Model a um pipeline.
Passos seguintes
Veja o conjunto de componentes disponíveis para o Azure Machine Learning.