مكون الانحدار اللوجستي متعدد الفئات
توضح هذه المقالة مكونا في Azure التعلم الآلي مصمم.
استخدم هذا المكون لإنشاء نموذج انحدار لوجستي يمكن استخدامه للتنبؤ بقيم متعددة.
التصنيف باستخدام الانحدار اللوجستي هو طريقة تعلم خاضعة للإشراف ، وبالتالي يتطلب مجموعة بيانات موسومة. يمكنك تدريب النموذج عن طريق توفير النموذج ومجموعة البيانات المسماة كإدخال إلى مكون مثل نموذج القطار. يمكن بعد ذلك استخدام النموذج المدرب للتنبؤ بالقيم لأمثلة المدخلات الجديدة.
يوفر Azure التعلم الآلي أيضا مكون الانحدار اللوجستي من فئتين ، وهو مناسب لتصنيف المتغيرات الثنائية أو الثنائية.
حول الانحدار اللوجستي متعدد الطبقات
الانحدار اللوجستي هو طريقة معروفة في الإحصاءات تستخدم للتنبؤ باحتمال حدوث نتيجة ، وهي شائعة في مهام التصنيف. تتنبأ الخوارزمية باحتمال حدوث حدث ما عن طريق ملاءمة البيانات مع وظيفة لوجستية.
في الانحدار اللوجستي متعدد الفئات، يمكن استخدام المصنف للتنبؤ بنتائج متعددة.
تكوين انحدار لوجستي متعدد الفئات
أضف مكون الانحدار اللوجستي متعدد الفئات إلى خط الأنابيب.
حدد الطريقة التي تريد تدريب النموذج بها، عن طريق تعيين الخيار إنشاء وضع مدرب .
معلمة واحدة: استخدم هذا الخيار إذا كنت تعرف الطريقة التي تريد بها تكوين النموذج، وتوفير مجموعة محددة من القيم كوسيطات.
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.
التسامح التحسين، حدد قيمة العتبة لتقارب المحسن. إذا كان التحسن بين التكرارات أقل من العتبة، تتوقف الخوارزمية وترجع النموذج الحالي.
وزن تنظيم L1 ، وزن تنظيم L2: اكتب قيمة لاستخدامها في معلمات التنظيم L1 و L2. يوصى باستخدام قيمة غير صفرية لكليهما.
التنظيم هو طريقة لمنع الإفراط في التركيب عن طريق معاقبة النماذج ذات قيم المعامل المتطرفة. يعمل التنظيم عن طريق إضافة العقوبة المرتبطة بقيم المعامل إلى خطأ الفرضية. النموذج الدقيق مع قيم المعامل المتطرفة سيتم معاقبته أكثر ، ولكن النموذج الأقل دقة مع قيم أكثر تحفظا سيتم معاقبته بشكل أقل.
تنظيم L1 و L2 له تأثيرات واستخدامات مختلفة. يمكن تطبيق L1 على النماذج المتناثرة ، وهو أمر مفيد عند العمل مع البيانات عالية الأبعاد. في المقابل ، فإن تنظيم L2 هو الأفضل للبيانات غير المتناثرة. تدعم هذه الخوارزمية مزيجا خطيا من قيم تنظيم L1 و L2: أي إذا
x = L1وy = L2،ax + by = cيحدد المدى الخطي لمصطلحات التنظيم.تم ابتكار مجموعات خطية مختلفة من مصطلحات L1 و L2 لنماذج الانحدار اللوجستي ، مثل تنظيم الشبكة المرنة.
بذرة الأرقام العشوائية: اكتب قيمة صحيحة لاستخدامها كبذرة للخوارزمية إذا كنت تريد أن تكون النتائج قابلة للتكرار على مدار الأشواط. خلاف ذلك ، يتم استخدام قيمة ساعة النظام كبذرة ، والتي يمكن أن تنتج نتائج مختلفة قليلا في عمليات تشغيل نفس خط الأنابيب.
الاتصال مجموعة بيانات موسومة ، وتدريب 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.
الخطوات التالية
راجع مجموعة المكونات المتوفرة ل Azure التعلم الآلي.