雙類別平均 Perceptron 元件
本文說明 Azure 機器學習 設計工具中的元件。
使用此元件根據平均感知器演算法來建立機器學習模型。
此分類演算法是受監督的學習方法，而且需要 標記的數據集，其中包含標籤數據行。 您可以藉由提供模型和標記的數據集作為定型模型的輸入， 來定型模型。 然後，定型的模型可用來預測新輸入範例的值。
關於平均感知器模型
平均感知器方法是神經網路的早期和簡單版本。 在此方法中，輸入會根據線性函式分類為數個可能的輸出，然後結合一組衍生自特徵向量的權數，因此名稱為“perceptron”。
更簡單的感知器模型適合學習線性可分隔模式，而神經網路（尤其是深度類神經網路）可以模型化更複雜的類別界限。 不過，感知器的速度較快，而且因為它們會串行化處理案例，所以可以搭配持續定型使用感知器。
如何設定雙類別平均 Perceptron
將 Two-Class Averaged Perceptron 元件新增至您的管線。
藉由設定 [建立定型定型器模式 ] 選項，指定您要如何定型模型。
單一參數：如果您知道如何設定模型，請提供一組特定的值作為自變數。
參數範圍：如果您不確定最佳參數，而且想要執行參數掃掠，請選取此選項。 選取要逐一查看的值範圍，而 微調模型超參數 會逐一查看您提供之設定的所有可能組合，以判斷產生最佳結果的超參數。
針對學習速率，指定學習速率的值。 學習速率值會控制每次測試並更正模型時，用於隨機梯度下降的步驟大小。
藉由縮小速率，您更經常地測試模型，並有可能卡在本機高原的風險。 藉由讓步驟變大，您可以更快速地聚合，並有可能過度製作真正的最小值。
針對 [反覆運算次數上限]，輸入您想要演算法檢查定型數據的次數。
提早停止通常提供更佳的一般化。 增加反覆項目數目可改善適配，並有可能過度學習。
針對 [隨機數種子]，選擇性地輸入要當做種子使用的整數值。 如果您想要確保跨執行管線的重現性，建議您使用種子。
連接定型數據集，並定型模型：
如果您將 [建立定型器模式] 設定為 [單一參數]，請連接已標記的數據集和定型模型元件。
如果您將 [建立定型器模式] 設定為 [參數範圍]，請使用 [微調模型超參數] 連接已標記的數據集並定型模型。