Two-Class Ortalama Perceptron bileşeni
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Ortalama algı algoritmasını temel alan bir makine öğrenmesi modeli oluşturmak için bu bileşeni kullanın.
Bu sınıflandırma algoritması denetimli bir öğrenme yöntemidir ve etiket sütunu içeren etiketli bir veri kümesi gerektirir. Modeli eğitmek için modeli ve etiketli veri kümesini Eğitmek için giriş olarak sağlayabilirsiniz. Eğitilen model daha sonra yeni giriş örnekleri için değerleri tahmin etmek için kullanılabilir.
Ortalama algı modelleri hakkında
Ortalama algı yöntemi, sinir ağının erken ve basit bir sürümüdür. Bu yaklaşımda, girişler doğrusal bir işleve dayalı olarak çeşitli olası çıkışlar halinde sınıflandırılır ve ardından özellik vektörden türetilen bir ağırlık kümesiyle birleştirilir ve bu nedenle "perceptron" adı kullanılır.
Daha basit algı modelleri doğrusal olarak ayrılabilir desenleri öğrenmeye uygundur, ancak sinir ağları (özellikle derin sinir ağları) daha karmaşık sınıf sınırları modelleyebilir. Ancak, algılar daha hızlıdır ve olayları seri olarak işlediklerinden, algılar sürekli eğitim ile kullanılabilir.
Two-Class Ortalama Perceptron yapılandırma
İki Sınıflı Ortalama Perceptron bileşenini işlem hattınıza ekleyin.
Eğitmen modu oluştur seçeneğini ayarlayarak modelin nasıl eğitileceğini belirtin.
Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız, bağımsız değişken olarak belirli bir değer kümesi sağlayın.
Parametre Aralığı: En iyi parametrelerden emin değilseniz ve parametre süpürme işlemi çalıştırmak istiyorsanız bu seçeneği belirleyin. Yinelemek için bir değer aralığı seçin; Ayarlama Modeli Hiper Parametreleri , en iyi sonuçları oluşturan hiper parametreleri belirlemek için sağladığınız ayarların tüm olası birleşimleri üzerinde yinelenir.
Öğrenme oranı için bir değer belirtin. Öğrenme hızı değerleri, model her test edilip düzeltildiğinde stokastik gradyan azalmada kullanılan adımın boyutunu denetler.
Oranı küçülterek modeli daha sık test eder ve yerel platoda takılma riskiniz olur. Adımı büyüterek, gerçek minima fazla geçiş yapma riskiyle daha hızlı bir şekilde yakınsayabilirsiniz.
En fazla yineleme sayısı için algoritmanın eğitim verilerini kaç kez incelemesini istediğinizi yazın.
Erken durdurmak genellikle daha iyi genelleştirme sağlar. Yineleme sayısının artırılması, fazla uygunluk riskiyle uyumu artırır.
Rastgele sayı tohumu için isteğe bağlı olarak, tohum olarak kullanılacak bir tamsayı değeri yazın. İşlem hattının çalıştırmalar arasında yeniden üretilebilirliğini sağlamak istiyorsanız, bir tohum kullanılması önerilir.
Eğitim 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 Eğitmek için bir parametre aralığı geçirirseniz, tek parametre listesindeki yalnızca varsayılan değeri kullanır.
Model Ayarlama Hiper Parametreleri bileşenine tek bir parametre değeri kümesi geçirirseniz, her parametre için bir dizi ayar 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
Azure Machine Learning'in kullanabileceği bileşenler kümesine bakın.
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