Компонент "Двухклассовая нейронная сеть"
В этой статье описывается компонент в конструкторе машинного обучения Azure.
Этот компонент применяется для создания модели нейронной сети, которая может использоваться для прогнозирования цели, имеющей только два значения.
Классификация, использующая нейронные сети, является контролируемым методом обучения, поэтому для нее требуется набор помеченных данных, включающий столбец меток. Например, эту модель нейронной сети можно использовать для прогнозирования двоичных результатов, таких как наличие определенной болезни у пациента, а также вероятность сбоя компьютера в течение заданного периода времени.
После определения модели обучите ее, предоставив набор помеченных данных и модель в качестве входных данных для модуля Обучение модели. Обученную модель затем можно использовать для прогнозирования новых входных данных.
Дополнительные сведения о нейронных сетях
Нейронная сеть — это набор взаимосвязанных слоев. Входные данные — это первый слой, подключенный к выходному слою с помощью ациклического графа, состоящего из взвешенных ребер и узлов.
Между входным и выходным слоями можно вставить несколько скрытых слоев. Большинство задач прогнозирования можно легко выполнить только с одним или несколькими скрытыми слоями. Однако последние исследования показали, что для решения сложных задач, таких как распознавание изображений или речи, могут быть эффективны глубокие нейронные сети с множеством слоев. Для моделирования повышения глубины семантики используются последовательные уровни.
Связь между входными и выходными данными изучается по результатам обучения нейронной сети на входных данных. Направление графа — от входных данных через скрытый слой к выходному слою. Все узлы слоя соединены взвешенными ребрами с узлами следующего слоя.
Чтобы вычислить данные на выходе сети, получившей определенные входные данные, вычисляются значения для каждого узла на скрытых слоях и на выходном слое. Значение задается путем вычисления взвешенной суммы значений узлов из предыдущего слоя. Затем к этой взвешенной сумме применяется функция активации.
Порядок настройки
Добавьте компонент Двухклассовая нейронная сеть в конвейер. Этот компонент доступен в разделе Машинное обучение, Инициализация в категории Классификация.
Укажите, как вы хотите обучать модель, выбрав значение Create trainer mode (Создать режим учителя).
Single Parameter (Один параметр). Выберите этот вариант, если уже знаете, как хотите настроить модель.
Диапазон параметров: если вы не знаете наилучшие параметры, оптимальные варианты можно найти с помощью компонента Настройка гиперпараметров модели. Вы предоставляете некоторый диапазон значений, и учитель выполняет итерацию по нескольким сочетаниям параметров, чтобы определить сочетание значений, которое дает наилучший результат.
Для параметра Hidden layer specification (Спецификация скрытого слоя) выберите тип создаваемой сетевой архитектуры для создания.
Fully connected case (Полное подключение). Используйте архитектуру нейронной сети по умолчанию, определенную для двухклассовой нейронной сети, как указано ниже.
Имеет один скрытый слой.
Выходной слой полностью связан со скрытым слоем, который, в свою очередь, полностью связан с входным слоем.
Количество узлов во входном слое равно количеству признаков в обучающих данных.
Количество узлов в скрытом слое задается пользователем. Значение по умолчанию — 100.
Число узлов совпадает с числом классов. Для двухклассовой нейронной сети это означает, что все входные данные должны сопоставляться с одним из двух узлов на выходном слое.
Для параметра Скорость обучения определите размер шага, выполненного на каждой итерации, до осуществления коррекции. Более высокое значение скорости обучения может ускорить сходимость модели, однако возможны промахи на локальных минимумах.
Для параметра Number of learning iterations (Число итераций обучения) укажите максимальное число обработок обучающих вариантов по алгоритму.
Для параметра The initial learning weights diameter (Начальный диаметр весовых коэффициентов обучения) задайте весовые коэффициенты узлов в начале процесса обучения.
Для параметра The momentum (Момент) укажите весовой коэффициент, применяемый во время обучения к узлам из предыдущих итераций.
Выберите Shuffle examples (Случайный порядок примеров), чтобы разместить варианты в итерациях в случайном порядке. Если этот параметр не выбран, варианты будут обрабатываться в одном и том же порядке при каждом запуске конвейера.
В поле Random number seed (Случайное начальное значение) введите значение, которое будет использоваться в качестве начального.
Указание начального значения полезно, если необходимо проверить повторяемость несколькими запусками одного и того же конвейера. В противном случае в качестве начального значения используется значение системных часов, что может привести к немного отличающимся результатам при каждом выполнении конвейера.
Добавьте в конвейер набор данных с меткой и обучите модель:
Если для параметра Создать режим учителя задано значение Одиночный параметр, подключите помеченный 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 Диапазон параметров и указано одно значение для любого параметра, это единственное заданное значение будет использоваться во время подбора параметров, даже если другие параметры меняются в диапазоне значений.
Отправьте конвейер.
Результаты
После завершения обучения:
Чтобы сохранить моментальный снимок обученной модели, выберите вкладку Выходные данные на правой панели компонента Обучение модели. Щелкните значок Зарегистрировать набор данных, чтобы сохранить модель как компонент для повторного использования.
Чтобы использовать модель для оценки, добавьте компонент Модель оценки в конвейер.
Дальнейшие действия
Ознакомьтесь с набором доступных компонентов для Машинного обучения Azure.