雙類別支援向量機器元件
本文描述 Azure Machine Learning 設計工具中的一個元件。
使用此元件來建立以支援向量機器演算法為基礎的模型。
支援向量機器 (SVM) 是一類經過充分研究的監督式學習方法。 此特定實作適合以連續或分類變數為基礎,預測兩個可能的結果。
定義模型參數之後,請使用定型元件,並提供包含標籤或結果資料行的「標記資料集」,以定型模型。
關於支援向量機器
支援向量機器是其中一個最早的機器學習演算法,而且在許多應用程式 (從資訊擷取到文字和影像分類) 中,都已使用 SVM 模型。 SVM 可用於分類和迴歸工作。
此 SVM 模型是一種需要標記資料的監督式學習模型。 在定型過程中,演算法會分析輸入資料,並辨識多維度特徵空間 (稱為「超平面」) 中的模式。 所有輸入範例在此空間中以點表示,並對應到輸出類別,而盡可能以越寬和越清晰的間隙分割類別。
在預測時,SVM 演算法將新的範例指派給其中一個類別,並對應到相同的空間。
如何設定
對於此模型類型,建議您先將資料集正規化,再用來定型分類器。
將雙類別支援向量機器元件新增至管線。
設定 [建立定型模式] 選項來指定要如何定型模型。
單一參數:如果您知道要如何設定模型,您可以提供一組特定值做為引數。
參數範圍:如果不確定最佳參數,您可以使用調整模型超參數元件來尋找最佳參數。 您提供某個範圍的值,定型模組會逐一查看多個設定組合,以決定可產生最佳結果的值組合。
在 [反覆運算次數] 中輸入數字,代表建立模型時使用的反覆運算次數。
這個參數可以用來控制定型速度和精確性之間的取捨。
在 [Lambda] 中輸入值,做為 L1 正規化的權數。
這個正則化係數可用來調整模型。 值越大,模型就越複雜。
如果要在定型之前將特徵正規化,請選取 [正規化特徵] 選項。
如果您套用正規化,則在定型之前,資料點會集中在平均值,並調整為具有一個單位的標準差。
選取 [投影到單位球面] 選項來正規化係數。
將值投影到單位空間表示在定型之前,資料點會集中在 0,並調整為具有一個單位的標準差。
如果您要確保跨執行的重現性,請在 [亂數種子] 中輸入整數值做為種子。 否則會以系統時鐘值為種子,這可能導致每次執行的結果稍微不同。
連線標記資料集,並定型模型:
提交管線。
結果
定型完成後:
若要儲存已定型模型的快照集,請在定型模型元件的右側面板中選取 [輸出] 索引標籤。 選取 [註冊資料集] 圖示,將模型儲存為可重複使用的元件。
若要使用模型來評分,請將評分模型元件新增至管線。
後續步驟
請參閱 Azure Machine Learning 可用的元件集。