Компонент «Двухклассовый усредненный перцептрон»

В этой статье описывается компонент в конструкторе Машинного обучения Azure.

Этот компонент используется для создания модели машинного обучения на основе алгоритма усредненного перцептрона.

Этот алгоритм классификации относится к контролируемым методам обучения и требует наличия набора данных с тегами, то есть с метками в отдельном столбце. Вы можете обучить модель, передав ее вместе с набором данных с тегами в качестве входных данных в модуль Обучение модели. Обученную модель затем можно использовать для прогнозирования новых примеров входных данных.

Сведения о моделях усредненного перцептрона

Метод усредненного перцептрона является ранней и простой версией нейронной сети. В этом подходе входные данные делятся на несколько возможных значений на основе линейной функций в сочетании с набором весовых коэффициентов, производным от вектора компонента, отсюда и название "перцептрон".

Более простые модели перцептрона подходят для обучения линейно отделяемых шаблонов, тогда как нейронные сети (особенно глубокие нейронные сети) могут моделировать более сложные границы класса. Однако перцептроны работают быстрее, и их можно использовать в непрерывном обучении, так как перцептроны обрабатывают случаи последовательно.

Настройка модуля "Двухклассовый усредненный перцептрон"

  1. Добавьте в конвейер компонент Двухклассовый усредненный перцептрон.

  2. Укажите, как вы хотите обучать модель, выбрав значение Create trainer mode (Создать режим учителя).

    • Single Parameter (Одиночный параметр). Если вы знаете, как хотите настроить модель, предоставьте определенный набор значений в качестве аргументов.

    • Parameter Range (Диапазон параметров). Используйте этот вариант, если вы не знаете наилучшие параметры и хотите выполнить перебор параметров. Выберите диапазон значений для итерации, и в процессе Tune Model Hyperparameters (Настройка гиперпараметров модели) выполните итерацию по всем возможным сочетаниям указанных параметров, чтобы определить гиперпараметры, которые приводят к оптимальным результатам.

  3. В параметре Скорость обучения укажите требуемое значение скорости обучения. Значения скорости обучения изменяют размер шага, который используется в вероятностном градиентном спуске при каждом тестировании и изменении модели.

    При увеличении скорости модель проверяется чаще, но появляется риск застрять на локальном плато. При увеличении шага схождение будет выполняться быстрее, но появляется риск превышения истинного минимума.

  4. В параметре Maximum number of iterations (Максимальное число итераций) укажите, сколько раз алгоритм должен проверить учебные данные.

    Ранняя остановка часто обеспечивает лучшее обобщение. При повышении количества итераций улучшается подгонка, но при этом появляется риск возникновения лжевзаимосвязей.

  5. В параметре Random number seed (Случайное начальное значение) введите необязательное значение в формате целого числа, которое будет использоваться в качестве начального значения. Мы рекомендуем указать начальное значение, если вы хотите обеспечить воспроизводимость выполнений конвейера.

  6. Подключение набора данных для обучения и обучение модели

    • Если для параметра Создать режим учителя задано значение Одиночный параметр, подключите отмеченный набор данных и компонент Обучение модели.

    • Если для параметра Создать режим учителя выбран вариант Диапазон параметров, подключите набор помеченных данных и обучите модель с помощью модуля Настройка гиперпараметров модели.

    Примечание

    При передаче диапазона параметров в модуль Обучение модели используется только значение по умолчанию в списке с одиночным параметром.

    Если передать в компонент Настройка гиперпараметров модели один набор значений параметров, когда он ожидает диапазон для каждого параметра, он пропускает эти значения и использует значения по умолчанию для обучаемого объекта.

    Если выбран вариант Parameter Range (Диапазон параметров) и указано одно значение для любого параметра, это единственное заданное значение будет использоваться во время очистки, даже если другие параметры меняются в диапазоне значений.

Дальнейшие действия

Ознакомьтесь с набором доступных компонентов для Машинного обучения Azure.