Sinir Ağı Regresyonu bileşeni
Sinir ağı algoritması kullanarak regresyon modeli oluşturur
Kategori: Machine Learning / Modeli Başlatma / Regresyon
Bileşene genel bakış
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Özelleştirilebilir bir sinir ağı algoritması kullanarak regresyon modeli oluşturmak için bu bileşeni kullanın.
Sinir ağları derin öğrenme ve görüntü tanıma gibi karmaşık sorunların modellenmesinde yaygın olarak kullanılabilse de, regresyon sorunlarına kolayca uyarlanır. Herhangi bir istatistiksel model sınıfı, uyarlamalı ağırlıklar kullanıyorsa ve girişlerinin doğrusal olmayan işlevlerini yaklaşık olarak algılayabilirse bir sinir ağı olarak adlandırılabilir. Bu nedenle sinir ağı regresyonu, daha geleneksel bir regresyon modelinin çözüme uymadığı sorunlara uygundur.
Sinir ağı regresyonu denetimli bir öğrenme yöntemidir ve bu nedenle etiket sütunu içeren etiketli bir veri kümesi gerektirir. Regresyon modeli sayısal bir değeri tahmin ettiğinden, etiket sütunu sayısal bir veri türü olmalıdır.
Modeli eğitmek için modeli ve etiketli veri kümesini giriş olarak sağlayabilirsiniz. Eğitilen model daha sonra yeni giriş örneklerinin değerlerini tahmin etmek için kullanılabilir.
Nöral Ağ Regresyonu Yapılandırma
Sinir ağları kapsamlı bir şekilde özelleştirilebilir. Bu bölümde iki yöntem kullanarak modelin nasıl oluşturulacağı açıklanmaktadır:
Varsayılan mimariyi kullanarak sinir ağı modeli oluşturma
Varsayılan sinir ağı mimarisini kabul ediyorsanız, gizli katmandaki düğüm sayısı, öğrenme hızı ve normalleştirme gibi sinir ağının davranışını denetleye parametreleri ayarlamak için Özellikler bölmesini kullanın.
Sinir ağlarını kullanmaya yeni başladıysanız buradan başlayın. Bileşen, sinir ağları hakkında derin bilgi sahibi olmadan birçok özelleştirmeyi ve model ayarlamayı destekler.
Sinir ağı için özel mimari tanımlama
Ek gizli katmanlar eklemek veya ağ mimarisini, bağlantılarını ve etkinleştirme işlevlerini tamamen özelleştirmek istiyorsanız bu seçeneği kullanın.
Sinir ağlarını zaten biraz biliyorsanız bu seçenek en iyisidir. Ağ mimarisini tanımlamak için Net# dilini kullanırsınız.
Varsayılan mimariyi kullanarak sinir ağı modeli oluşturma
Sinir Ağı Regresyonu bileşenini tasarımcıdaki işlem hattınıza ekleyin. Bu bileşeni Machine Learning, Initialize altında Regresyon kategorisinde bulabilirsiniz.
Eğitmen modu oluştur seçeneğini ayarlayarak modelin nasıl eğitılmasını istediğinizi belirtin.
Tek Parametre: Modeli nasıl yapılandırmak istediğinizi zaten biliyorsanız bu seçeneği belirleyin.
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.
Gizli katman belirtimi'ndeTam bağlı büyük/küçük harf'i seçin. Bu seçenek, bir sinir ağı regresyon modeli için şu özniteliklere sahip olan varsayılan sinir ağı mimarisini kullanarak bir model oluşturur:
- Ağ tam olarak bir gizli katmana sahiptir.
- Çıkış katmanı gizli katmana tam olarak bağlanır ve gizli katman giriş katmanına tamamen bağlanır.
- Gizli katmandaki düğüm sayısı kullanıcı tarafından ayarlanabilir (varsayılan değer 100'dür).
Giriş katmanındaki düğüm sayısı eğitim verilerindeki özelliklerin sayısına göre belirlendiğinden, bir regresyon modelinde çıkış katmanında yalnızca bir düğüm olabilir.
Gizli düğüm sayısı için gizli düğüm sayısını yazın. Varsayılan değer, 100 düğüm içeren bir gizli katmandır. (Net# kullanarak özel bir mimari tanımlarsanız bu seçenek kullanılamaz.)
Öğrenme oranı için, düzeltmeden önce her yinelemede atılan adımı tanımlayan bir değer yazın. Öğrenme oranı için daha büyük bir değer modelin daha hızlı yakınsamasına neden olabilir, ancak yerel minima fazla etki yapabilir.
Öğrenme yineleme sayısı için algoritmanın eğitim olaylarını işleme sayısı üst sınırını belirtin.
Momentum için, önceki yinelemelerden düğümlere ağırlık olarak öğrenme sırasında uygulanacak bir değer yazın.
Yinelemeler arasındaki servis taleplerinin sırasını değiştirmek için Örnekleri karıştır seçeneğini belirleyin. Bu seçeneğin seçimini kaldırırsanız, işlem hattını her çalıştırdığınızda servis talepleri tam olarak aynı sırayla işlenir.
Rastgele sayı tohumu için isteğe bağlı olarak, tohum olarak kullanılacak bir değer yazabilirsiniz. Aynı işlem hattının çalıştırmaları arasında yinelenebilirlik sağlamak istediğinizde bir tohum değeri belirtmek yararlı olur.
Eğitim veri kümesini bağlama ve modeli eğit:
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.
İşlem hattını gönderin.
Sonuçlar
Eğitim tamamlandıktan sonra:
- Eğitilen modelin anlık görüntüsünü kaydetmek için Modeli eğit bileşeninin sağ panelinde Çıkışlar sekmesini seçin. Modeli yeniden kullanılabilir bir bileşen olarak kaydetmek için Veri kümesini kaydet simgesini seçin.
Sonraki adımlar
Bkz. Azure Machine Learning'de kullanılabilen bileşenler kümesi .
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin