مكون انحدار الشبكة العصبية
إنشاء نموذج انحدار باستخدام خوارزمية شبكة عصبية
الفئة: التعلم الآلي / تهيئة النموذج / الانحدار
نظرة عامة على المكون
توضح هذه المقالة مكونا في Azure التعلم الآلي مصمم.
استخدم هذا المكون لإنشاء نموذج انحدار باستخدام خوارزمية شبكة عصبية قابلة للتخصيص.
على الرغم من أن الشبكات العصبية معروفة على نطاق واسع لاستخدامها في التعلم العميق ونمذجة المشكلات المعقدة مثل التعرف على الصور ، إلا أنها تتكيف بسهولة مع مشاكل الانحدار. يمكن تسمية أي فئة من النماذج الإحصائية بالشبكة العصبية إذا كانت تستخدم أوزانا تكيفية ويمكنها تقريب الوظائف غير الخطية لمدخلاتها. وبالتالي فإن انحدار الشبكة العصبية مناسب للمشاكل التي لا يمكن أن يناسب فيها نموذج الانحدار الأكثر تقليدية حلا.
انحدار الشبكة العصبية هو طريقة تعلم خاضعة للإشراف ، وبالتالي يتطلب مجموعة بيانات ذات علامات ، والتي تتضمن عمود تسمية. نظرا لأن نموذج الانحدار يتنبأ بقيمة رقمية، يجب أن يكون عمود التسمية نوع بيانات رقمي.
يمكنك تدريب النموذج من خلال توفير النموذج ومجموعة البيانات الموسومة كمدخل إلى نموذج القطار. يمكن بعد ذلك استخدام النموذج المدرب للتنبؤ بالقيم لأمثلة الإدخال الجديدة.
تكوين انحدار الشبكة العصبية
يمكن تخصيص الشبكات العصبية على نطاق واسع. يوضح هذا القسم كيفية إنشاء نموذج باستخدام طريقتين:
إنشاء نموذج شبكة عصبية باستخدام البنية الافتراضية
إذا قبلت بنية الشبكة العصبية الافتراضية، فاستخدم جزء الخصائص لتعيين المعلمات التي تتحكم في سلوك الشبكة العصبية، مثل عدد العقد في الطبقة المخفية ومعدل التعلم والتطبيع.
ابدأ هنا إذا كنت جديدا على الشبكات العصبية. يدعم المكون العديد من التخصيصات ، بالإضافة إلى ضبط النموذج ، دون معرفة عميقة بالشبكات العصبية.
تحديد بنية مخصصة لشبكة عصبية
استخدم هذا الخيار إذا كنت تريد إضافة طبقات مخفية إضافية، أو تخصيص بنية الشبكة واتصالاتها ووظائف التنشيط بالكامل.
هذا الخيار هو الأفضل إذا كنت بالفعل على دراية إلى حد ما بالشبكات العصبية. يمكنك استخدام لغة Net# لتحديد بنية شبكة الاتصال.
إنشاء نموذج شبكة عصبية باستخدام البنية الافتراضية
أضف مكون انحدار الشبكة العصبية إلى خط الأنابيب الخاص بك في المصمم. يمكنك العثور على هذا المكون ضمن التعلم الآلي، تهيئة، في فئة الانحدار.
حدد الطريقة التي تريد تدريب النموذج بها، من خلال تعيين الخيار إنشاء وضع مدرب .
معلمة واحدة: حدد هذا الخيار إذا كنت تعرف بالفعل كيف تريد تكوين النموذج.
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.
في مواصفات الطبقة المخفية، حدد حالة الأحرف المتصلة بالكامل. ينشئ هذا الخيار نموذجا باستخدام بنية الشبكة العصبية الافتراضية، والتي تحتوي على السمات التالية لنموذج انحدار الشبكة العصبية:
- تحتوي الشبكة على طبقة مخفية واحدة بالضبط.
- يتم توصيل طبقة الإخراج بالكامل بالطبقة المخفية والطبقة المخفية متصلة بالكامل بطبقة الإدخال.
- يمكن للمستخدم تعيين عدد العقد في الطبقة المخفية (القيمة الافتراضية هي 100).
نظرا لأن عدد العقد في طبقة الإدخال يتم تحديده من خلال عدد المعالم في بيانات التدريب ، في نموذج الانحدار يمكن أن يكون هناك عقدة واحدة فقط في طبقة الإخراج.
بالنسبة لعدد العقد المخفية، اكتب عدد العقد المخفية. الافتراضي هو طبقة مخفية واحدة مع 100 عقدة. (لا يتوفر هذا الخيار إذا قمت بتعريف بنية مخصصة باستخدام Net#.)
بالنسبة Learning معدل، اكتب قيمة تحدد الخطوة المتخذة في كل تكرار، قبل التصحيح. يمكن أن تؤدي القيمة الأكبر لمعدل التعلم إلى تقارب النموذج بشكل أسرع ، ولكن يمكن أن يتجاوز الحد الأدنى المحلي.
بالنسبة لعدد مرات تكرار التعلم، حدد الحد الأقصى لعدد المرات التي تعالج فيها الخوارزمية حالات التدريب.
بالنسبة إلى الزخم، اكتب قيمة لتطبيقها أثناء التعلم كوزن على العقد من التكرارات السابقة.
حدد الخيار، أمثلة التبديل العشوائي، لتغيير ترتيب الحالات بين التكرارات. إذا قمت بإلغاء تحديد هذا الخيار، تتم معالجة الحالات بنفس الترتيب تماما في كل مرة تقوم فيها بتشغيل خط الأنابيب.
بالنسبة إلى بذرة الأرقام العشوائية، يمكنك اختياريا كتابة قيمة لاستخدامها كبذرة. يعد تحديد قيمة البذور مفيدا عندما تريد ضمان إمكانية التكرار عبر عمليات تشغيل نفس خط الأنابيب.
الاتصال مجموعة بيانات التدريب 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.
النتائج
بعد اكتمال التدريب:
- لحفظ لقطة للنموذج المدرب، حدد علامة التبويب المخرجات في اللوحة اليمنى من مكون نموذج القطار . حدد أيقونة تسجيل مجموعة البيانات لحفظ النموذج كمكون قابل لإعادة الاستخدام.
الخطوات التالية
راجع مجموعة المكونات المتوفرة ل Azure التعلم الآلي.