Aracılığıyla paylaş

İki Sınıflı Destek Vektör Makinesi

  • Makale

Destek Vektörü Makinesi algoritmasını kullanarak ikili sınıflandırma modeli oluşturur

Kategori: Machine Learning / Modeli Başlatma / Sınıflandırma

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Modüle genel bakış

Bu makalede, destek vektörü makinesi algoritmasını temel alan bir model oluşturmak için Machine Learning Studio'da (klasik) İki Sınıflı Destek Vektör Makinesi modülünün nasıl kullanımı açıklanmıştır.

Destek vektörü makineleri (SVM'ler), denetimli öğrenme yöntemlerinin iyi araştırmış bir sınıfıdır. Bu uygulama, sürekli veya kategorik değişkenlere bağlı olarak iki olası sonucun tahmin edışlerine uygun bir uygulamadır.

Model parametrelerini tanımlayarak, eğitim modüllerinden birini kullanarak ve etiket veya sonuç sütunu içeren etiketli bir veri kümesi sağlayarak modeli eğitin.

Destek vektörü makineleri hakkında daha fazla bilgi

Destek vektörü makineleri en eski makine öğrenmesi algoritmaları arasında yer alıyor ve bilgi alımından metin ve görüntü sınıflandırmaya kadar birçok uygulama için SVM modelleri 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 uçak adı verilen çok boyutlu bir özellik alanı desenlerini tanır. Tüm giriş örnekleri bu alanda nokta olarak temsil edilen ve çıkış kategorilerine, kategorilerin mümkün olduğunca geniş olarak bölünecek ve bir boşluğun temizlenecek şekilde eşlenmiş olduğunu gösterir.

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

Two-Class Destek Vektörü Makinesini yapılandırma

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

  1. Studio'da (klasik) denemenize İki Sınıflı Destek Vektörü Makinesi modülünü ekleyin.

  2. Eğitimci modu oluştur seçeneğini ayarerek modelin nasıl eğitilsin?

    • Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız bağımsız değişken olarak belirli bir değer kümesi sebilirsiniz.

    • Parametre Aralığı: En iyi parametrelerin ne olduğundan emin değilsanız, birden çok değer belirterek ve En uygun yapılandırmayı bulmak için Modeli Ayarla Hiper Parametreleri modülünü kullanarak en uygun parametreleri bulabilirsiniz. Eğitmen, ayarların birden çok bileşimini tekrarlar ve en iyi modeli üreten değerlerin birleşimini belirler.

  3. Yineleme sayısı için, modeli oluşturmada kullanılan yineleme sayısını belirtir bir sayı yazın.

    Bu parametre, eğitim hızı ve doğruluk arasındaki farkı kontrol etmek için kullanılabilir.

  4. Lambda için L1 düzenlileştirme için ağırlık olarak kullanmak üzere bir değer yazın.

    Modeli ayarlamak için bu düzenlileştirme katsayısı kullanılabilir. Daha büyük değerler daha karmaşık modelleri cezaya neden olur.

  5. Özellikleri eğitimden önce normalleştirmek için Özellikleri normalleştir seçeneğini belirleyin.

    Normalleştirme uygulayacaksanız, eğitimden önce veri noktaları ortalamaya ortalı hale getirilir ve tek bir standart sapma birimine sahip olacak şekilde ölçeklendirilir.

  6. Katsayıları normalleştirmek Project ilgili birim küresi seçeneğini belirleyin.

    Değerlerin birim alana göre projesini yapmak, eğitimden önce veri noktalarının 0'da ortalandı ve tek bir standart sapma birimi olacak şekilde ölçeklendirildi.

  7. Çalıştırmalar arasında yenidenlanabilirlik sağlamak için Rastgele sayı çekirdeği'nde çekirdek olarak kullanmak üzere bir tamsayı değeri yazın. Aksi takdirde, bir sistem saati değeri çekirdek olarak kullanılır ve çalıştırmalar arasında biraz farklı sonuçlarla sonuçlanabilecektir.

  8. Eğitim veya doğrulama kümelerini bilinmeyen değerlere yönelik bir grup oluşturmak için Bilinmeyen kategoriye izin ver seçeneğini belirleyin. Bu durumda model, bilinen değerler için daha az kesin olabilir, ancak yeni (bilinmeyen) değerler için daha iyi tahminler sağlar.

    Seçimi kaldırsanız, model yalnızca eğitim verisinde yer alan değerleri kabul eder.

  9. Bağlan veri kümesi ve eğitim modüllerinden birini kullanın:

    Not

    Modeli Eğit'e bir parametre aralığı iletirsiniz, parametre aralığı listesinde yalnızca ilk değeri kullanır.

    Model Ayarlama Hiper parametreleri modülüne tek bir parametre değeri kümesi iletirsiniz; her parametre için bir dizi ayar bekliyorsa, değerleri yoksayar ve öğrenciler için varsayılan değerleri kullanır.

    Parametre Aralığı seçeneğini belirtir ve herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığında değişse bile, belirttiğiniz tek değer tarama boyunca kullanılır.

  10. Denemeyi çalıştırın.

Sonuçlar

Eğitim tamamlandıktan sonra:

  • Modelin parametrelerinin özetini eğitimden öğrenilen özellik ağırlıkları ile birlikte görmek için Modeli Eğit veya Modeli Ayarla Hiper Parametreleri çıkışına sağ tıklayın ve Görselleştir'i seçin.

  • Eğitilen modelleri tahminde bulunurken kullanmak için eğitilen modeli Modeli Puanla modülüne bağlamanız gerekir.

  • Etiketli bir veri kümesinde çapraz doğrulama gerçekleştirmek için, eğitilmemiş modeli ve veri kümesiyle Modeli Çapraz Doğrula'ya bağlanın.

Örnekler

Bu öğrenme algoritmasının nasıl kullanıldıklarının örnekleri için bkz . Azure Yapay Zeka Galerisi:

Teknik notlar

Bu bölümde uygulama ayrıntıları, ipuçları ve sık sorulan soruların yanıtları yer almaktadır.

Kullanım ipuçları

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

Son araştırmalar daha yüksek doğruluk oranına sahip algoritmalar geliştirse de, amacınız doğruluğun üzerine geldiğinde bu algoritma basit veri kümelerini iyi bir şekilde tamamlar. İki Sınıflı Destek Vektör Modeli kullanarak istenen sonuçları alamasanız şu sınıflandırma yöntemlerinden birini deneyin:

Modül parametreleri

Name Aralık Tür Varsayılan Description
Yineleme sayısı >=1 Tamsayı 1 Yineleme sayısı
Lambda >=double. Epsilon Float 0.001 L1 düzenlileştirme için ağırlık. Sıfır olmayan bir değer kullanmak, modelin eğitim veri kümesine fazla değer katmaktan kaçınır.
Özellikleri normalleştirme Herhangi biri Boole Doğru True ise özellikleri normalleştirin.
Project-sphere'a Herhangi biri Boole Yanlış True ise, özellikleri bir birim dairesine proje olarak proje.
Rastgele sayı çekirdeği Herhangi biri Tamsayı Model tarafından kullanılan rastgele sayı oluşturucu için çekirdek. Varsayılan değer için boş bırakın.
Bilinmeyen kategorik düzeylere izin ver Herhangi biri Boole Doğru True ise, her kategorik sütun için ek bir düzey oluşturur. Eğitim veri kümesinde mevcut olan test veri kümesi düzeyleri bu ek düzeye eşlenmiş olur.

Çıktı

Ad Tür Description
Eğitilmemiş model Veri Tablosu Eğitilmemiş ikili sınıflandırma modeli.

Ayrıca bkz.

Sınıflandırma
A-Z Modül Listesi