雙類別支援向量機器元件
本文說明 Azure 機器學習 設計工具中的元件。
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）是一種經過精心研究的監督學習方法類別。 此特定實作適合根據連續或類別變數來預測兩個可能的結果。
定義模型參數之後，請使用定型元件來定型模型，並提供 包含標籤或結果數據行的標記數據集 。
關於支援向量機器
支援向量機器是最早的機器學習演算法之一，許多應用程式中都已使用 SVM 模型，從資訊擷取到文字和影像分類。 SVM 可用於分類和回歸工作。
此 SVM 模型是需要加上標籤數據的監督式學習模型。 在定型程式中，演算法會分析輸入數據，並在稱為 超平面的多維度特徵空間中辨識模式。 所有輸入範例都會以這個空間中的點表示，並對應至輸出類別，讓類別以盡可能寬和清除間距的方式進行對應。
為了進行預測，SVM 演算法會將新的範例指派給一個類別或其他類別，將它們對應到相同的空間。
如何設定
針對此模型類型，建議您先將數據集正規化，再使用它來定型分類器。
將 雙類別支援向量機器 元件新增至管線。
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，您可以提供一組特定的值做為自變數。
參數範圍：如果您不確定最佳參數，您可以使用微調模型超參數位件來尋找最佳參數。 您提供一些值範圍，而定型器會逐一查看設定的多個組合，以判斷產生最佳結果的值組合。
針對 反覆項目數目，輸入數位，表示建置模型時所使用的反覆項目數目。
此參數可用來控制定型速度和精確度之間的取捨。
針對 Lambda，輸入值以做為 L1 正規化的權數。
這個正規化係數可用來調整模型。 較大的值會懲罰更複雜的模型。
如果您想要在定型之前將功能正規化，請選取 [標準化功能] 選項。
如果您套用正規化，在定型之前，數據點會置中於平均值，並調整為有一個標準偏差單位。
選取 [項目到單位球體] 選項，將係數正規化。
將值投射到單位空間表示在定型之前，數據點會置中為0，並調整為有一個標準偏差單位。
在 [隨機數種子] 中，如果您想要確保跨回合的重現性，請輸入要當做種子使用的整數值。 否則，系統會使用系統時鐘值做為種子，這可能會導致整個執行的結果稍有不同。
連接標示的數據集，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。
提交管線。
結果
完成定型之後：
若要儲存已定型模型的快照集，請選取 [定型模型] 元件右面板中的 [輸出] 索引標籤。 選取 [ 註冊數據集] 圖示，將模型儲存為可重複使用的元件。
若要使用模型進行評分，請將 評分模型 元件新增至管線。