Two-Class Destek Vektör Makinesi bileşeni

Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.

Destek vektör makine algoritmasını temel alan bir model oluşturmak için bu bileşeni kullanın.

Destek vektör makineleri (SVM'ler), iyi araştırılmış bir denetimli öğrenme yöntemleri sınıfıdır. Bu özel uygulama, sürekli veya kategorik değişkenler temelinde iki olası sonucun tahminine uygundur.

Model parametrelerini tanımladıktan sonra, eğitim bileşenlerini kullanarak ve etiket veya sonuç sütunu içeren etiketli bir veri kümesi sağlayarak modeli eğitin.

Destek vektör makineleri hakkında

Destek vektör makineleri, makine öğrenmesi algoritmalarının en eskileri arasındadır ve SVM modelleri, bilgi alımından metin ve görüntü sınıflandırmasına kadar birçok uygulamada kullanılmıştır. SVM'ler hem sınıflandırma hem de regresyon görevleri için kullanılabilir.

Bu SVM modeli, etiketlenmiş veriler gerektiren denetimli bir öğrenme modelidir. Eğitim sürecinde algoritma, giriş verilerini analiz eder ve hiper düzlem adı verilen çok boyutlu bir özellik alanında desenleri tanır. Tüm giriş örnekleri bu alanda nokta olarak temsil edilir ve kategoriler geniş olarak bölünecek ve bir boşluğu mümkün olduğunca temizleyebilecek şekilde çıkış kategorilerine eşlenir.

Tahmin için, SVM algoritması yeni örnekleri bir kategoriye veya diğerine atar ve bunları aynı alana eşler.

Yapılandırma

Bu model türü için, sınıflandırıcıyı eğitmek için kullanmadan önce veri kümesini normalleştirmeniz önerilir.

1. İki Sınıflı Destek Vektör Makinesi bileşenini işlem hattınıza ekleyin.

2. 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, 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.

3. Yineleme sayısı için, modeli oluştururken kullanılan yineleme sayısını belirten bir sayı yazın.

   Bu parametre, eğitim hızı ve doğruluk arasındaki dengeyi denetlemek için kullanılabilir.

4. Lambda için, L1 normalleştirmesi için ağırlık olarak kullanılacak bir değer yazın.

   Bu normalleştirme katsayısı modeli ayarlamak için kullanılabilir. Daha büyük değerler daha karmaşık modelleri cezalandırıltır.

5. Eğitimden önce özellikleri normalleştirmek istiyorsanız Özellikleri normalleştir seçeneğini belirleyin.

   Normalleştirme uygularsanız, eğitimden önce veri noktaları ortalamada ortalanır ve bir standart sapma birimine sahip olacak şekilde ölçeklendirilir.

6. Katsayıları normalleştirmek için Birim küresine yansıt seçeneğini belirleyin.

   Değerleri birim alanına yansıtmak, eğitimden önce veri noktalarının 0'da ortalanması ve bir birim standart sapmaya sahip olacak şekilde ölçeklendirilmesi anlamına gelir.

7. Rastgele sayı tohumu alanında, çalıştırmalar arasında yeniden üretilebilirliği sağlamak istiyorsanız, tohum olarak kullanılacak bir tamsayı değeri yazın. Aksi takdirde, bir sistem saat değeri bir tohum olarak kullanılır ve bu da çalıştırmalar arasında biraz farklı sonuçlara neden olabilir.

8. 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.

9. 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.

• Modeli puanlama için kullanmak için Model Puanlama bileşenini bir işlem hattına ekleyin.

Sonraki adımlar

Bkz. Azure Machine Learning'de kullanılabilen bileşenler kümesi .