Two-Class Karar Verme Kararı

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

• Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
• Daha fazla bilgi Azure Machine Learning.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Karar algoritmasını kullanarak iki sınıflı bir 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, Machine Learning Studio'daki (klasik) İki Sınıflı Karar Modülü'ünün, karar aldırma adı verilen denetimli grup öğrenmesi algoritmasını temel alan bir makine öğrenmesi modeli oluşturmak için nasıl kullanılası açıklanmıştır.

Two-Class Decision Module modülü, eğitilmemiş bir sınıflandırıcı döndürür. Ardından Modeli Eğit veya Modeli Ayarla HiperParametrelerini kullanarak bu modeli etiketli bir eğitimveri kümesinde eğitebilirsiniz. Eğitilen model daha sonra tahmin yapmak için kullanılabilir.

Karar verme hakkında daha fazla bilgi

Karar ormanları , karar ormanlarının son uzantılarıdır. Karar topluluğu, karara yönlendiren bir grup zamansız grafdan (DAG) oluşur.

Karar kararlarını aşağıdaki avantajlara sahiptir:

• Ağaç dallarının birleştirilmesine izin vererek, karar DAG'sinde genellikle daha düşük bir bellek ayak izi ve bir karar ağacına göre daha iyi genelleştirme performansı olur, ancak eğitim süresi biraz daha uzun olur.

• Karar ormanları, doğrusal olmayan karar sınırlarını temsil eden asimetrik olmayan modellerdir.

• Tümleşik özellik seçimi ve sınıflandırması gerçekleştirler ve gürültülü özelliklerin varlığına karşı daha fazla karşılarına çıkarlar.

İpucu

Bu makine öğrenmesi algoritmasının ardındaki araştırma hakkında daha fazla bilgi için bkz . Karar Grupları: Sınıflandırma için Küçük ve Zengin Modeller (indirilebilir PDF).

Karar Two-Class yapılandırma

1. Studio'da (klasik) denemenize İki Sınıflı Karar Modülü'ünü ekleyin.

2. Yeniden örnekleme yöntemi için tek tek ağaçları oluşturmak için kullanılan yöntemi seçin. Etiketleme veya Çoğaltma'dan biriniseçebilirsiniz.

   • Etiketleme: Bootstrap toplama olarak da adlandırılan etiketlemeyi kullanmak için bu seçeneği belirleyin.

     Karar ağacının her ağacı, tahmin olarak Gauss dağılımı verir. Toplama, ilk iki dakikası tek tek ağaçlarla döndürülen tüm Gaussluları birleştirerek verilen Gaussluların karışımının anları ile eşleşen bir Gausslu bulmaktır.

   • Çoğaltma: Çoğaltmada her ağaç tam olarak aynı giriş verileri üzerinde eğitılır. Her bir ağaç düğümü için hangi bölmenin hangi ikiktek olduğunu belirleme rastgele kalır ve ağaçlar farklı olur.

     Daha fazla bilgi için, bkz. Karar Ormanları Görüntü İşleme ve Tıbbi Görüntü Analizi. Criminisi ve J. Shotton. Springer 2013.

3. 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. Eğitimci, sağladığın ayarların birden çok bileşimini tekrarlar ve en iyi modeli üreten değerlerin birleşimini belirler.

4. Karar DAG'lerinin sayısı için, grup içinde oluşturulacak en fazla grafik sayısını gösterir.

5. Karar DAG'lerinin maksimum derinliği için her grafın maksimum derinliğini gösterir.

6. Karar DAG'lerinin maksimum genişliği için her grafın maksimum genişliğini gösterir.

7. Karar DAG katmanı başına iyileştirme adımı sayısı'nın altında, her DAG'yi oluştururken veriler üzerinde kaç yineleme gerçekleştireceklerini gösterir.

8. Test veya doğrulama verisindeki bilinmeyen değerler için bir grup oluşturmak için Kategorik özellikler için bilinmeyen değerlere izin ver seçeneğini belirleyin.

   Seçimi kaldırsanız, model yalnızca eğitim verisinde yer alan değerleri kabul eder. Önceki durumda model, bilinen değerler için daha az kesin olabilir, ancak yeni (bilinmeyen) değerler için daha iyi tahminler sağlar.

9. Denemeye etiketli bir veri kümesi ekleyin ve eğitim modüllerinden birini bağlama.

   • Eğitimci modu oluştur'a TekParametre olarak ayarlanırsa Modeli Eğit modülünü kullanın.

   • Eğitmen modu oluştur ayarını Parametre Aralığı olarak ayarlarsanız Model Ayarlama Hiper parametreleri modülünü kullanın.

   Not

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

   Model Ayarlama Hiperparametreleri modülüne tek bir parametre değeri kümesi iletirsiniz; her parametre için bir dizi ayar bekliyorsa, değerleri yoksayır 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.

Sonuçlar

Eğitim tamamlandıktan sonra:

• Modeli puanlama için kullanmak üzere Modeli Puanlama'ya bağarak yeni giriş örneklerinin değerlerini tahmin etmek için kullanın.

Örnekler

Karar kararlarının makine öğrenmesinde nasıl kullanıldıklarının örnekleri için bkz . Azure Yapay Zeka Galerisi:

• İkili Sınıflandırıcıları Karşılaştırma: Çeşitli algoritmalar kullanır ve bunların artılarını ve dezavantajlarını açıklar.

Teknik notlar

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

Kullanım ipuçları

Sınırlı verileriniz varsa veya modeli eğitmek için harcanan zamanı en aza indirmek için bu ayarları deneyin.

Sınırlı eğitim kümesi

Eğitim kümeniz küçükse:

• Çok sayıda karar DAG'sini (örneğin, 20'den fazla) kullanarak karar kararlarını oluşturun.
• Yeniden örnekleme için Etiketleme seçeneğini kullanın.
• DAG katmanı başına çok sayıda iyileştirme adımı belirtin (örneğin, 10.000'den fazla).

Sınırlı eğitim süresi

Eğitim kümesi büyük ancak eğitim süresi sınırlı ise:

• Daha az sayıda karar DAG'sini (örneğin, 5-10) kullanarak karar kararlarını oluşturun.
• Yeniden örnekleme için Çoğalt seçeneğini kullanın.
• DAG katmanı başına daha az sayıda iyileştirme adımı belirtin (örneğin, 2000'den az).

Modül parametreleri

Name	Aralık	Tür	Varsayılan	Description
Yeniden örnekleme yöntemi	Herhangi biri	ResamplingMethod	Torbalama	Yeniden örnekleme yöntemi seçme
Karar DAG'lerinin sayısı	>=1	Tamsayı	8	Grup içinde derlemek için karar graflarının sayısını belirtme
Karar DAG'lerinin maksimum derinliği	>=1	Tamsayı	32	Grup içinde karar graflarının maksimum derinliğini belirtme
Karar DAG'lerinin maksimum genişliği	>=8	Tamsayı	128	Grup içinde karar graflarının maksimum genişliğini belirtme
Karar DAG katmanı başına iyileştirme adımı sayısı	>=1000	Tamsayı	2048	Karar graflarının her düzeyini en iyi duruma getirmek için kaç adımdan biri olduğunu belirtin
Kategorik özellikler için bilinmeyen değerlere izin ver	Herhangi biri	Boole	Doğru	Mevcut kategorik özelliklerin bilinmeyen değerlerinin yeni ve ek bir özellikle eşlenmiş olup olmadığını gösterir

Çıktı

Ad	Tür	Description
Eğitilmemiş model	ILearner arabirimi	Eğitilmemiş ikili sınıflandırma modeli

Ayrıca bkz.

Sınıflandırma
Çok Sınıflı Karar Ormanı
A-Z Modül Listesi