İki Sınıflı Sinir Ağı bileşeni
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Yalnızca iki değeri olan bir hedefi tahmin etmek için kullanılabilecek bir sinir ağı 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, bu sinir ağı modelini kullanarak hastanın belirli bir hastalığı olup olmadığı veya makinenin belirli bir süre içinde başarısız olup olmayacağı gibi ikili sonuçları tahmin edebilirsiniz.
Modeli tanımladıktan sonra etiketli bir veri kümesi ve modeli Modeli Eğitmek için giriş olarak sağlayarak eğitin. Daha sonra eğitilen model, 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 bir döngüsel graf ile 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 son 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 kenarlar tarafından sonraki katmandaki düğümlere bağlanır.
Belirli bir girişin ağ çıkışını hesaplamak için, gizli katmanlardaki ve çıkış katmanındaki her düğümde bir değer hesaplanır. Değer, önceki katmandaki düğümlerin değerlerinin ağırlıklı toplamını hesaplayarak 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 değerler aralığı 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 özelliklerin sayısına eşittir.
Gizli katmandaki düğüm sayısı kullanıcı tarafından ayarlanır. Varsayılan değer 100 şeklindedir.
Düğüm sayısı, sınıf sayısına eşittir. İki sınıflı bir sinir ağı için bu, tüm girişlerin çıkış katmanındaki iki düğümden birine eşlenmelidir.
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 yapabilir.
Öğrenme yineleme sayısı için algoritmanın eğitim olaylarını işlemesi gereken en fazla sayısını belirtin.
İlk öğrenme ağırlıkları çapı için öğrenme sürecinin başlangıcında düğüm ağırlıklarını belirtin.
Momentum için, önceki yinelemelerden düğümlere öğrenme sırasında uygulanacak bir ağırlık belirtin
Yinelemeler arasındaki durumları 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 saati değeri tohum olarak kullanılır.
İşlem hattına etiketli bir veri kümesi ekleyin ve modeli eğitin:
Eğitmen modu oluştur'u Tek Parametre olarak ayarlarsanız etiketli bir veri kümesini ve Modeli Eğitme bileşenini bağlayın.
Eğitmen modu oluştur'u Parametre 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.
Ayarlama Modeli Hiper Parametreleri 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 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
Bkz. Azure Machine Learning için kullanılabilen bileşenler kümesi.