عنصر القرار المتعلق بالانحدار الحرجي
توضح هذه المقالة مكونا في Azure التعلم الآلي مصمم.
استخدم هذا المكون لإنشاء نموذج انحدار استنادا إلى مجموعة من أشجار القرار.
بعد تكوين النموذج، يجب تدريب النموذج باستخدام مجموعة بيانات مصنفة ومكون نموذج القطار . يمكن بعد ذلك استخدام النموذج المدرب لإجراء التنبؤات.
كيف تعمل هذه الميزة
أشجار القرار هي نماذج غير بارامترية تقوم بإجراء سلسلة من الاختبارات البسيطة لكل مثيل ، وتعبر بنية بيانات شجرة ثنائية حتى يتم الوصول إلى عقدة ورقة (قرار).
أشجار القرار لديها هذه المزايا:
فهي فعالة في كل من الحساب واستخدام الذاكرة أثناء التدريب والتنبؤ.
يمكن أن تمثل حدود القرار غير الخطية.
إنها تؤدي اختيار الميزات وتصنيفها بشكل متكامل وهي مرنة في وجود ميزات صاخبة.
يتكون نموذج الانحدار هذا من مجموعة من أشجار القرار. كل شجرة في غابة قرار الانحدار تنتج توزيعا غاوسيا كتنبؤ. يتم إجراء تجميع على مجموعة الأشجار للعثور على توزيع غاوسي الأقرب إلى التوزيع المشترك لجميع الأشجار في النموذج.
لمزيد من المعلومات حول الإطار النظري لهذه الخوارزمية وتنفيذها، راجع هذه المقالة: غابات القرار: إطار موحد للتصنيف والانحدار وتقدير الكثافة Learning المتعددة Semi-Supervised Learning
كيفية تكوين نموذج انحدار غابة القرار
إضافة مكون انحدار غابة القرار إلى خط الأنابيب. يمكنك العثور على المكون في المصمم ضمن التعلم الآليوتهيئة النموذجوالانحدار.
افتح خصائص المكون، وبالنسبة لطريقة إعادة التشكيل، اختر الطريقة المستخدمة لإنشاء الأشجار الفردية. يمكنك الاختيار من بين التعبئة أو النسخ المتماثل.
التعبئة: ويسمى التعبئة أيضا تجميع bootstrap. كل شجرة في غابة قرار الانحدار تنتج توزيعا غاوسيا عن طريق التنبؤ. التجميع هو العثور على غاوسي تتطابق لحظاته الأولى والثانية مع لحظات خليط التوزيعات الغاوسية المعطاة من خلال الجمع بين جميع التوزيعات التي تعيدها الأشجار الفردية.
لمزيد من المعلومات، راجع إدخال ويكيبيديا لتجميع Bootstrap.
النسخ المتماثل: في النسخ المتماثل ، يتم تدريب كل شجرة على نفس بيانات الإدخال بالضبط. يبقى تحديد المسند المقسم المستخدم لكل عقدة شجرة عشوائيا وستكون الأشجار متنوعة.
لمزيد من المعلومات حول عملية التدريب باستخدام خيار النسخ المتماثل، راجع غابات القرار للرؤية الحاسوبية وتحليل الصور الطبية. كريمينيسي وج. شوتون. سبرينغر 2013..
حدد الطريقة التي تريد تدريب النموذج بها، عن طريق تعيين الخيار إنشاء وضع مدرب .
معلمة واحدة
إذا كنت تعرف الطريقة التي تريد بها تكوين النموذج، فيمكنك توفير مجموعة محددة من القيم كوسيطات. ربما تكون قد تعلمت هذه القيم عن طريق التجريب أو تلقيتها كتوجيه.
نطاق المعلمات: حدد هذا الخيار إذا لم تكن متأكدا من أفضل المعلمات، وتريد تشغيل عملية مسح معلمة. حدد نطاقا من القيم لتكراره، وتكرر المعلمات التشعبية لنموذج Tune على جميع المجموعات الممكنة من الإعدادات التي قدمتها لتحديد المعلمات التشعبية التي تنتج أفضل النتائج.
بالنسبة إلى عدد أشجار القرار، أشر إلى إجمالي عدد أشجار القرار المطلوب إنشاؤها في المجموعة. من خلال إنشاء المزيد من أشجار القرار ، يمكنك الحصول على تغطية أفضل ، ولكن وقت التدريب سيزداد.
تلميح
إذا قمت بتعيين القيمة إلى 1 ؛ ومع ذلك ، هذا يعني أنه سيتم إنتاج شجرة واحدة فقط (الشجرة مع المجموعة الأولية من المعلمات) ولن يتم إجراء أي تكرارات أخرى.
للحصول على أقصى عمق لأشجار القرار، اكتب رقما للحد من الحد الأقصى لعمق أي شجرة قرار. زيادة عمق الشجرة قد تزيد من الدقة ، في خطر بعض الإفراط في التركيب وزيادة وقت التدريب.
بالنسبة لعدد الانقسامات العشوائية لكل عقدة، اكتب عدد الانقسامات التي تريد استخدامها عند إنشاء كل عقدة من الشجرة. الانقسام يعني أن المعالم في كل مستوى من مستويات الشجرة (العقدة) يتم تقسيمها عشوائيا.
بالنسبة إلى الحد الأدنى لعدد العينات لكل عقدة ورقة، حدد الحد الأدنى لعدد الحالات المطلوبة لإنشاء أي عقدة طرفية (ورقة) في شجرة.
من خلال زيادة هذه القيمة، يمكنك زيادة الحد الأدنى لإنشاء قواعد جديدة. على سبيل المثال، مع القيمة الافتراضية 1، حتى حالة واحدة يمكن أن تتسبب في إنشاء قاعدة جديدة. إذا قمت بزيادة القيمة إلى 5 ، فيجب أن تحتوي بيانات التدريب على خمس حالات على الأقل تستوفي نفس الشروط.
تدريب النموذج:
إذا قمت بتعيين إنشاء وضع مدرب إلى معلمة واحدة، فقم بتوصيل مجموعة بيانات ذات علامات تمييز بمكون نموذج القطار .
إذا قمت بتعيين إنشاء وضع المدرب إلى نطاق المعلمات، فقم بتوصيل مجموعة بيانات ذات علامات وتدريب النموذج باستخدام معلمات Tune Model Hyperمعلمات.
ملاحظة
إذا قمت بتمرير نطاق معلمات إلى نموذج القطار، فإنه يستخدم فقط القيمة الافتراضية في قائمة معلمات واحدة.
إذا قمت بتمرير مجموعة واحدة من قيم المعلمات إلى مكون Tune Model Hyperparameters ، فعندما تتوقع نطاقا من الإعدادات لكل معلمة ، فإنها تتجاهل القيم وتستخدم القيم الافتراضية للمتعلم.
إذا قمت بتحديد خيار نطاق المعلمات وأدخلت قيمة واحدة لأي معلمة، استخدام هذه القيمة المفردة التي حددتها خلال عملية المسح، حتى إذا تغيرت المعلمات الأخرى عبر نطاق من القيم.
إرسال المسار.
النتائج
بعد اكتمال التدريب:
- لحفظ لقطة للنموذج المدرب، حدد مكون التدريب، ثم قم بالتبديل إلى علامة التبويب المخرجات في اللوحة اليمنى. انقر على أيقونة تسجيل النموذج. يمكنك العثور على النموذج المحفوظ كمكون في شجرة المكونات.
الخطوات التالية
راجع مجموعة المكونات المتوفرة ل Azure التعلم الآلي.