Two-Class Sinir Ağı bileşeni
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Yalnızca iki değeri olan bir hedefi tahmin etmek için kullanılabilecek bir nöral ağ modeli oluşturmak için bu bileşeni kullanın.
Sinir ağlarının kullanıldığı sınıflandırma denetimli bir öğrenme yöntemidir ve bu nedenle etiket sütunu içeren etiketli bir veri kümesi gerektirir. Örneğin, bir hastanın belirli bir hastalığı olup olmadığı veya makinenin belirli bir süre içinde başarısız olup olmayacağı gibi ikili sonuçları tahmin etmek için bu sinir ağı modelini kullanabilirsiniz.
Modeli tanımladıktan sonra, modeli eğitmek için etiketli bir veri kümesi ve modeli giriş olarak sağlayın. Eğitilen model daha sonra yeni girişlerin değerlerini tahmin etmek için kullanılabilir.
Sinir ağları hakkında daha fazla bilgi
Sinir ağı, birbirine bağlı katmanlar kümesidir. Girişler ilk katmandır ve ağırlıklı kenarlardan ve düğümlerden oluşan döngüsel bir grafik tarafından bir çıkış katmanına bağlanır.
Giriş ve çıkış katmanları arasına birden çok gizli katman ekleyebilirsiniz. Tahmine dayalı görevlerin çoğu yalnızca bir veya birkaç gizli katmanla kolayca gerçekleştirilebilir. Ancak yakın zamanda yapılan araştırmalar, birçok katmana sahip derin sinir ağlarının (DNN) görüntü veya konuşma tanıma gibi karmaşık görevlerde etkili olabileceğini göstermiştir. Art arda gelen katmanlar artan anlam derinliği düzeylerini modellemek için kullanılır.
Girişler ve çıkışlar arasındaki ilişki, giriş verileri üzerinde sinir ağını eğiterek öğrenilir. Grafın yönü girişlerden gizli katmana ve çıkış katmanına doğru ilerler. Katmandaki tüm düğümler, ağırlıklı kenarlarla sonraki katmandaki düğümlere bağlanır.
Belirli bir giriş için ağın çıkışını hesaplamak için gizli katmanlardaki ve çıkış katmanındaki her düğümde bir değer hesaplanır. Değer, önceki katmandaki düğümlerin değerlerinin ağırlıklı toplamı hesaplanarak ayarlanır. Daha sonra bu ağırlıklı toplama bir etkinleştirme işlevi uygulanır.
Yapılandırma
İki Sınıflı Sinir Ağı bileşenini işlem hattınıza ekleyin. Bu bileşeni Sınıflandırma kategorisindeki Machine Learning, Initialize altında bulabilirsiniz.
Eğitmen modu oluştur seçeneğini ayarlayarak modelin nasıl eğitileceğini belirtin.
Tek Parametre: Modeli nasıl yapılandırmak istediğinizi zaten biliyorsanız bu seçeneği belirleyin.
Parametre Aralığı: En iyi parametrelerden emin değilseniz , Modeli Ayarlama Hiper Parametreleri bileşenini kullanarak en uygun parametreleri bulabilirsiniz. Bazı değer aralıkları sağlarsınız ve eğitmen, en iyi sonucu veren değerlerin birleşimini belirlemek için ayarların birden çok bileşimini yineler.
Gizli katman belirtimi için oluşturulacak ağ mimarisi türünü seçin.
Tam bağlı durum: İki sınıflı sinir ağları için tanımlanan varsayılan sinir ağı mimarisini aşağıdaki gibi kullanır:
Bir gizli katmanı vardır.
Çıkış katmanı gizli katmana tamamen bağlıdır ve gizli katman giriş katmanına tamamen bağlıdır.
Giriş katmanındaki düğüm sayısı, eğitim verilerindeki özellik sayısına eşittir.
Gizli katmandaki düğüm sayısı kullanıcı tarafından ayarlanır. Varsayılan değer 100’dür.
Düğüm sayısı, sınıf sayısına eşittir. İki sınıflı bir sinir ağı için bu, tüm girişlerin çıkış katmanındaki iki düğümden biriyle eşlenmelidir anlamına gelir.
Öğrenme oranı için, düzeltmeden önce her yinelemede atılan adımın boyutunu tanımlayın. Öğrenme hızı için daha büyük bir değer modelin daha hızlı yakınsamasına neden olabilir, ancak yerel minima fazla etki edebilir.
Öğrenme yinelemesi sayısı için algoritmanın eğitim olaylarını işlemesi gereken en fazla sayısını belirtin.
İlk öğrenme ağırlıklarının çapı için öğrenme sürecinin başlangıcında düğüm ağırlıklarını belirtin.
Momentum için, önceki yinelemelerden düğümlere öğrenme sırasında uygulanacak bir ağırlık belirtin
Yinelemeler arasında servis taleplerini karıştırmak için Örnekleri karıştır seçeneğini belirleyin. Bu seçeneğin seçimini kaldırırsanız, işlem hattını her çalıştırdığınızda servis talepleri tam olarak aynı sırada işlenir.
Rastgele sayı tohumu için, tohum olarak kullanılacak değeri yazın.
Aynı işlem hattının çalıştırmaları arasında yinelenebilirlik sağlamak istediğinizde bir tohum değeri belirtmek yararlı olur. Aksi takdirde, işlem hattını her çalıştırdığınızda biraz farklı sonuçlara neden olabilecek bir sistem saat değeri tohum olarak kullanılır.
İşlem hattına etiketli bir veri kümesi ekleyin 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.
İşlem hattını gönderin.
Sonuçlar
Eğitim tamamlandıktan sonra:
Eğitilen modelin anlık görüntüsünü kaydetmek için Modeli eğit bileşeninin sağ panelindeki Çıkışlar sekmesini seçin. Modeli yeniden kullanılabilir bir bileşen olarak kaydetmek için Veri kümesini kaydet simgesini seçin.
Modeli puanlama için kullanmak için Model Puanlama bileşenini bir işlem hattına ekleyin.
Sonraki adımlar
Azure Machine Learning'in kullanabileceği bileşenler kümesine bakın.