Çok Sınıflı Artırmalı Karar Ağacı
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Artırılmış karar ağaçları algoritmasını temel alan bir makine öğrenmesi modeli oluşturmak için bu bileşeni kullanın.
Artırılmış karar ağacı, ikinci ağacın ilk ağacın hatalarını düzeltdiği, üçüncü ağacın birinci ve ikinci ağaçların hatalarını düzeltdiği, vb. bir öğrenme yöntemidir. Tahminler, birlikte ağaç topluluğuna dayanır.
Yapılandırma
Bu bileşen eğitilmemiş bir sınıflandırma modeli oluşturur. Sınıflandırma denetimli bir öğrenme yöntemi olduğundan, tüm satırlar için değer içeren bir etiket sütunu içeren etiketlenmiş bir veri kümesine ihtiyacınız vardır.
Modeli Eğit'i kullanarak bu model türünü eğitebilirsiniz.
İşlem hattınıza Çok Sınıflı Artırılmış Karar Ağacı bileşenini ekleyin.
Eğitmen modu oluştur seçeneğini ayarlayarak modelin nasıl eğitileceğini belirtin.
Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız, bağımsız değişken olarak belirli bir değer kümesi sağlayabilirsiniz.
Parametre Aralığı: En iyi parametrelerden emin değilseniz ve bir parametre süpürmesi çalıştırmak istiyorsanız bu seçeneği belirleyin. Yinelemek için bir değer aralığı seçin ve Ayar Modeli Hiper Parametreleri , en iyi sonuçları üreten hiper parametreleri belirlemek için sağladığınız ayarların tüm olası birleşimleri üzerinde yinelenir.
Ağaç başına maksimum yaprak sayısı , herhangi bir ağaçta oluşturulabilecek en fazla terminal düğümü (yaprak) sayısını sınırlar.
Bu değeri artırarak, ağacın boyutunu artırabilir ve fazla uygunluk ve daha uzun eğitim süresi riskiyle daha yüksek hassasiyet elde edebilirsiniz.
Yaprak düğüm başına en az örnek sayısı , ağaçta herhangi bir terminal düğümü (yaprak) oluşturmak için gereken servis talebi sayısını gösterir.
Bu değeri artırarak yeni kurallar oluşturma eşiğini artırırsınız. Örneğin, varsayılan değer 1 olduğunda, tek bir durum bile yeni bir kural oluşturulmasına neden olabilir. Değeri 5'e artırırsanız eğitim verilerinin aynı koşullara uyan en az beş servis talebi içermesi gerekir.
Öğrenme oranı , öğrenme sırasındaki adım boyutunu tanımlar. 0 ile 1 arasında bir sayı girin.
Öğrenme hızı, öğrencilerin en uygun çözümde ne kadar hızlı veya yavaş yakınsadığını belirler. Adım boyutu çok büyükse, en uygun çözümü fazla kullanabilirsiniz. Adım boyutu çok küçükse eğitimin en iyi çözüme yakınsanmasını sağlamak daha uzun sürer.
Oluşturulacak ağaç sayısı , toplulukta oluşturulacak karar ağaçlarının toplam sayısını gösterir. Daha fazla karar ağacı oluşturarak daha iyi kapsama alanı elde edebilirsiniz, ancak eğitim süresi artacaktır.
Rastgele sayı tohumu isteğe bağlı olarak, rastgele tohum değeri olarak kullanılacak negatif olmayan bir tamsayı ayarlar. Bir tohum belirtmek, aynı veri ve parametrelere sahip çalıştırmalar arasında yeniden üretilebilirliği güvence altına alır.
Rastgele tohum varsayılan olarak 42 olarak ayarlanır. Farklı rastgele tohumlar kullanan ardışık çalıştırmalar farklı sonuçlara sahip olabilir.
Modeli eğitin:
Eğitmen modu oluştur'uTek Parametre olarak ayarlarsanız etiketli bir veri kümesini ve Modeli Eğitme bileşenini bağlayın.
Eğitmen modu oluştur'uParametre Aralığı olarak ayarlarsanız etiketli bir veri kümesini bağlayın ve Modeli Ayarlama Hiper Parametreleri'ni kullanarak modeli eğitin.
Not
Modeli Eğitme'ye bir parametre aralığı geçirirseniz, yalnızca tek parametre listesindeki varsayılan değeri kullanır.
Model Hiper Parametreleri Ayarlama bileşenine tek bir parametre değeri kümesi geçirirseniz, her parametre için bir ayar aralığı beklediğinde değerleri yoksayar ve öğrenci için varsayılan değerleri kullanır.
Parametre Aralığı seçeneğini belirleyip herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığında değişse bile, belirttiğiniz tek değer süpürme boyunca kullanılır.
Sonraki adımlar
Bkz. Azure Machine Learning'de kullanılabilen bileşenler kümesi .