Çok Sınıflı Lojistik Regresyon bileşeni

Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.

Birden çok değeri tahmin etmek için kullanılabilecek bir lojistik regresyon modeli oluşturmak için bu bileşeni kullanın.

Lojistik regresyon kullanan sınıflandırma denetimli bir öğrenme yöntemidir ve bu nedenle etiketli bir veri kümesi gerektirir. Modeli eğitmek için modeli ve etiketlenmiş veri kümesini Modeli Eğit gibi bir bileşene giriş olarak sağlarsınız. Eğitilen model daha sonra yeni giriş örnekleri için değerleri tahmin etmek için kullanılabilir.

Azure Machine Learning, ikili veya tek yönlü değişkenlerin sınıflandırılması için uygun olan İki Sınıflı Lojistik Regresyon bileşeni de sağlar.

Çok sınıflı lojistik regresyon hakkında

Lojistik regresyon, bir sonucun olasılığını tahmin etmek için kullanılan ve sınıflandırma görevleri için popüler olan, istatistiklerde iyi bilinen bir yöntemdir. Algoritma, verileri lojistik bir işleve sığdırarak bir olayın oluşma olasılığını tahmin eder.

Çok sınıflı lojistik regresyonda, sınıflandırıcı birden çok sonucu tahmin etmek için kullanılabilir.

Çok sınıflı lojistik regresyon yapılandırma

1. Çok Sınıflı Lojistik Regresyon bileşenini işlem hattına ekleyin.

2. Eğitmen modu oluştur seçeneğini ayarlayarak modelin nasıl eğitileceğini belirtin.

   • Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız ve bağımsız değişken olarak belirli bir değer kümesi sağlamak istiyorsanız bu seçeneği kullanın.

   • 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.

3. İyileştirme toleransı, iyileştirici yakınsama için eşik değerini belirtin. Yinelemeler arasındaki iyileştirme eşikten küçükse algoritma durdurulur ve geçerli modeli döndürür.

4. L1 normalleştirme ağırlığı, L2 normalleştirme ağırlığı: L1 ve L2 normalleştirme parametreleri için kullanılacak bir değer yazın. Her ikisi için de sıfır olmayan bir değer önerilir.

   Normalleştirme, aşırı katsayı değerlerine sahip modellere ceza vererek fazla uygunluğu önlemeye yönelik bir yöntemdir. Düzenlileştirme, katsayı değerleriyle ilişkili cezayı hipotez hatasına ekleyerek çalışır. Aşırı katsayı değerlerine sahip doğru bir model daha fazla cezalı hale getirilir, ancak daha muhafazakar değerlere sahip daha az doğru bir model daha az cezaya neden olur.

   L1 ve L2 düzenlileştirmenin farklı etkileri ve kullanımları vardır. L1, seyrek modellere uygulanabilir ve bu da yüksek boyutlu verilerle çalışırken yararlıdır. Buna karşılık, seyrek olmayan veriler için L2 normalleştirme tercih edilir. Bu algoritma, L1 ve L2 normalleştirme değerlerinin doğrusal bir birleşimini destekler: if x = L1 ve y = L2, ax + by = c normalleştirme terimlerinin doğrusal aralığını tanımlar.

   L1 ve L2 terimlerinin farklı doğrusal kombinasyonları, elastik net düzenlileştirme gibi lojistik regresyon modelleri için hazırlanmıştır.

5. Rastgele sayı tohumu: Sonuçların çalıştırmalar üzerinde yinelenebilir olmasını istiyorsanız algoritmanın tohumu olarak kullanılacak bir tamsayı değeri yazın. Aksi takdirde, bir sistem saat değeri, aynı işlem hattının çalıştırılmasında biraz farklı sonuçlar üretebilen tohum olarak kullanılır.

6. Etiketli bir veri kümesini bağlayın ve 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.

7. İşlem hattını gönderin.

Sonraki adımlar

Bkz. Azure Machine Learning'de kullanılabilen bileşenler kümesi .