二級決策叢林

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。

• 請參閱將機器學習專案從 ML 工作室 (傳統) 移至 Azure Machine Learning 的相關資訊。
• 深入瞭解Azure Machine Learning。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

使用決策叢林演算法建立二級分類模型

類別：機器學習/初始化模型/分類

注意

適用于：僅限機器學習 Studio (傳統)

Azure Machine Learning 設計工具中提供類似的拖放模組。

模組概觀

本文說明如何在機器學習 Studio (傳統) 中使用雙類別決策蛙鳴模組，以建立以稱為決策叢林的監督式集團學習演算法為基礎的機器學習模型。

雙類別的決策蛙蛙模組會傳回未定型的分類器。 然後，您可以使用 [ 定型模型 ] 或 [ 微調模型超參數]，在加上標籤的訓練資料集上定型此模型。 然後，定型的模型就可用來進行預測。

關於決策叢林的詳細資訊

決策叢林 是 決策樹系的最新延伸。 決策叢林由一整團的決策導向非循環圖 (DAG) 所組成。

決策叢林有下列優點：

• 藉由允許將樹狀結構分支合併，決策 DAG 通常會有較低的記憶體使用量，而且會比決策樹更佳的效能，但代價是較長的定型時間。

• 決策叢林是可以代表非線性決策界限的非參數化模型。

• 執行整合式特徵選取和分類，在出現雜訊特徵時也能靈活應變。

提示

如需此機器學習演算法背後研究的詳細資訊，請參閱 決策叢林：分類的 Compact 和豐富模型 (可下載的 PDF) 。

如何設定 Two-Class 決策蛙蛙

1. 將 兩個類別的決策蛙蛙 模組新增至您在 Studio (傳統) 中的實驗。

2. 針對 [重新取樣方法]，選擇個別樹狀結構所使用的建立方法。 您可以選擇 [封袋] 或 [複寫]。

   • 封袋]：選取此選項可使用封袋]，也稱為啟動程式匯總。

     決策中的每個樹狀都輸出一個高斯分佈作為預測。 匯總是為了藉由結合個別樹狀結構所傳回的所有 Gaussians，來找出前兩分鐘符合 Gaussians 混合時間的高斯。

   • 複寫：在複寫中，每個樹狀結構都會以完全相同的輸入資料進行訓練。 每個樹狀節點所使用的分割述詞判斷會保持隨機，使樹狀結構具有差異。

     如需詳細資訊，請參閱電腦視覺和醫療影像分析的決策樹系。Criminisi 和 Shotton。Springer link 2013。

3. 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：如果您不確定最佳參數，可以藉由指定多個值並使用 微調模型超參數 模組尋找最佳的設定，找到最佳的參數。 定型者將逐一查看您提供的多個設定組合，並判斷產生最佳模型的值組合。

4. 針對 [ 決策 dag 的數目]，指出可在集團中建立的最大圖形數目。

5. 如需 決策 dag 的最大深度，請指定每個圖形的最大深度。

6. 針對 決策 dag 的最大寬度，指出每個圖形的最大寬度。

7. 在 每個決策 DAG 層的優化步驟數目中，指出建立每個 DAG 時要執行的資料反復次數。

8. 選取 [ 允許分類功能的未知值 ] 選項，在測試或驗證資料中建立未知值的群組。

   如果您取消選取它，模型可以接受培訓資料中包含的值。 在前一個案例中，此模型可能是較不精確的已知值，但它可以提供較佳預測新 (未知) 的值。

9. 將已加上標籤的資料集新增至實驗，並連接其中一個 定型模組。

   • 如果您將 [ 建立定型模式] 設定為 [ 單一參數]，請使用「 定型模型 」模組。

   • 如果您將 [ 建立定型模式] 設定為 [ 參數範圍]，請使用 [ 微調模型超參數 ] 模組。

   注意

   如果您將參數範圍傳遞給定型模型，則其只會使用參數範圍清單中的第一個值。

   如果您將一組參數值傳遞至 微調模型超參數 模組，當它預期每個參數的設定範圍時，會忽略這些值並使用學習模組的預設值。

   如果您選取 [參數範圍] 選項，並對任何參數輸入單一值，則在整個掃掠期間都會使用您所指定的該單一值，即使其他參數在某個範圍的值之間變更亦然。

結果

定型完成後：

• 若要使用模型進行評分，請將它連接到 評分模型，以預測新輸入範例的值。

範例

如需如何在機器學習中使用決策叢林的範例，請參閱 Azure AI 資源庫：

• 比較二元分類器：使用數種演算法，並討論其優缺點。

技術說明

本節包含實作詳細資料、提示和常見問題集的解答。

使用提示

如果您的資料有限，或想要將定型模型所花費的時間降到最低，請嘗試這些設定。

有限的定型集

如果您的定型集很小：

• 使用較多的決策 DAG 來建立決策叢林 (例如，超過 20 個)。
• 使用 [封袋] 選項來重新取樣。
• 每個 DAG 層指定大量的最佳化步驟 (例如，超過 10,000 個)。

有限的定型時間

如果定型集很大，但定型時間有限：

• 使用較少的決策 DAG 來建立決策叢林 (例如，5-10)。
• 使用 [複寫] 選項來重新取樣。
• 每個 DAG 層指定較少的最佳化步驟 (例如，少於 2000 個)。

模組參數

名稱	範圍	類型	預設	描述
重新取樣方法	任意	ResamplingMethod	Bagging	選擇重新取樣方法
決策 DAG 的數目	>=1	整數	8	指定在集團中建立的決策圖數目
決策 DAG 的最大深度	>=1	整數	32	指定集團中的決策圖的最大深度
決策 DAG 的最大寬度	>= 8	整數	128	指定集團中的決策圖的最大寬度
每一決策 DAG 層的最佳化步驟數目	>= 1000	整數	2048	指定要用於最佳化決策圖的每個層級的步驟數目
類別特徵中允許未知值	任意	布林值	True	指出現有類別特徵的未知值是否可以對應至新的額外特徵

輸出

名稱	類型	描述
未定型的模型	ILearner 介面	未定型的二元分類模型

另請參閱

分類
多級決策叢林
A-Z 模組清單