Two-Class دعم مكون آلة ناقلات
توضح هذه المقالة مكونا في Azure التعلم الآلي مصمم.
استخدم هذا المكون لإنشاء نموذج يستند إلى خوارزمية جهاز متجه الدعم.
آلات ناقلات الدعم (SVMs) هي فئة مدروسة جيدا من أساليب التعلم الخاضعة للإشراف. هذا التنفيذ بالذات مناسب للتنبؤ بنتيجتين محتملتين ، استنادا إلى متغيرات مستمرة أو فئوية.
بعد تحديد معلمات النموذج، قم بتدريب النموذج باستخدام مكونات التدريب، وتوفير مجموعة بيانات ذات علامات تتضمن عمود تسمية أو نتيجة.
حول دعم الآلات المتجهة
تعد آلات ناقلات الدعم من بين أقدم خوارزميات التعلم الآلي ، وقد تم استخدام نماذج SVM في العديد من التطبيقات ، من استرجاع المعلومات إلى تصنيف النصوص والصور. يمكن استخدام SVMs لكل من مهام التصنيف والانحدار.
نموذج SVM هذا هو نموذج تعلم خاضع للإشراف يتطلب بيانات مصنفة. في عملية التدريب ، تحلل الخوارزمية بيانات الإدخال وتتعرف على الأنماط في مساحة ميزة متعددة الأبعاد تسمى hyperplane. يتم تمثيل جميع أمثلة المدخلات كنقاط في هذه المساحة ، ويتم تعيينها إلى فئات المخرجات بطريقة يتم فيها تقسيم الفئات على أوسع فجوة ممكنة وواضحة.
للتنبؤ ، تقوم خوارزمية SVM بتعيين أمثلة جديدة في فئة أو أخرى ، وتعيينها في نفس المساحة.
كيفية التهيئة
بالنسبة لنوع الطراز هذا، يوصى بتطبيع مجموعة البيانات قبل استخدامها لتدريب المصنف.
أضف مكون آلة ناقلات الدعم من فئتين إلى خط الأنابيب الخاص بك.
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.
نطاق المعلمات: إذا لم تكن متأكدا من أفضل المعلمات ، فيمكنك العثور على المعلمات المثلى باستخدام مكون Tune Model Hyperparameters . يمكنك توفير نطاق معين من القيم، ويكرر المدرب على مجموعات متعددة من الإعدادات لتحديد مجموعة القيم التي تنتج أفضل نتيجة.
بالنسبة لعدد التكرارات، اكتب رقما يشير إلى عدد التكرارات المستخدمة عند إنشاء النموذج.
يمكن استخدام هذه المعلمة للتحكم في المفاضلة بين سرعة التدريب ودقته.
بالنسبة إلى Lambda، اكتب قيمة لاستخدامها كوزن لتنظيم L1.
يمكن استخدام معامل التنظيم هذا لضبط النموذج. القيم الأكبر تعاقب النماذج الأكثر تعقيدا.
حدد الخيار، تطبيع الميزات، إذا كنت ترغب في تطبيع الميزات قبل التدريب.
إذا قمت بتطبيق التطبيع ، قبل التدريب ، يتم تمركز نقاط البيانات في المتوسط وقياسها للحصول على وحدة واحدة من الانحراف المعياري.
حدد الخيار، Project إلى وحدة الكرة، لتطبيع المعاملات.
يعني إسقاط القيم على مساحة الوحدة أنه قبل التدريب ، يتم تركيز نقاط البيانات عند 0 وقياسها للحصول على وحدة واحدة من الانحراف المعياري.
في بذرة الأرقام العشوائية، اكتب قيمة صحيحة لاستخدامها كبذرة إذا كنت تريد ضمان إمكانية التكرار عبر عمليات التشغيل. خلاف ذلك ، يتم استخدام قيمة ساعة النظام كبذرة ، مما قد يؤدي إلى نتائج مختلفة قليلا عبر الأشواط.
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.
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.
لاستخدام النموذج للتسجيل، أضف مكون نموذج النتيجة إلى خط أنابيب.
الخطوات التالية
راجع مجموعة المكونات المتوفرة ل Azure التعلم الآلي.