Regresión logística multiclase

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

• Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
• Más información sobre Azure Machine Learning.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Crea un modelo de clasificación de regresión logística multiclase

Categoría: Machine Learning/ Inicializar modelo/Clasificación

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo Regresión logística multiclase en Machine Learning Studio (clásico) para crear un modelo de regresión logística que se pueda usar para predecir varios valores.

La clasificación con la regresión logística es un método de aprendizaje supervisado y, por lo tanto, requiere un conjunto de datos con etiquetas. Entrena el modelo proporcionando el modelo y el conjunto de datos etiquetado como entrada para un módulo, como Entrenar modelo o Optimizar hiperparámetros del modelo. Después, el modelo entrenado puede usarse para predecir valores para los nuevos ejemplos de entrada.

Machine Learning Studio (clásico) también proporciona un módulo regresión logística de dos clases, que es adecuado para la clasificación de variables binarias o dicotómicas.

Más información sobre la regresión logística multiclase

La regresión logística es un método conocido en las estadísticas que se usa para predecir la probabilidad de un resultado y es especialmente popular para las tareas de clasificación. El algoritmo predice la probabilidad de aparición de un evento ajustando los datos a una función logística. Para ver detalles sobre esta implementación, consulte la sección Notas técnicas.

En la regresión logística multiclase, el clasificador puede usarse para predecir varios resultados.

Cómo configurar una regresión logística multiclase

1. Agregue el módulo Multiclass Logistic Regression al experimento.

2. Especifique cómo quiere que se entrene el modelo, estableciendo la opción Create trainer mode (Crear modo entrenador).

   • Single Parameter (Parámetro único): Use esta opción si sabe cómo quiere configurar el modelo y proporcione un conjunto específico de valores como argumentos.

   • Intervalo de parámetros: use esta opción si no está seguro de los mejores parámetros y desea usar un barrido de parámetros.

3. Optimization tolerance (Tolerancia de optimización), especifique el valor de umbral de convergencia del optimizador. Si la mejora entre las iteraciones es menor que el umbral, el algoritmo se detiene y devuelve el modelo actual.

4. L1 regularization weight (Ponderación de regularización L1), L2 regularization weight (Ponderación de regularización L2): Escriba un valor que se usará para los parámetros de regularización L1 y L2. Se recomienda un valor distinto de cero para ambos.

   La regularización es un método para evitar el sobreajuste mediante la penalización de modelos con valores de coeficiente extremos. La regularización funciona agregando la penalización asociada a los valores de coeficiente al error de la hipótesis. Un modelo preciso con valores de coeficiente extremos se penalizaría más, y un modelo menos preciso con valores más conservadores se penalizaría menos.

   Las regularizaciones L1 y L2 tienen efectos y usos diferentes. L1 puede aplicarse a modelos dispersos, lo que resulta útil cuando se trabaja con datos muy dimensionales. En cambio, la regularización L2 es preferible para los datos que no están dispersos. Este algoritmo es compatible con una combinación lineal de los valores de regularización L1 y L2: es decir, si x = L1 y y = L2, ax + by = c define el intervalo lineal de los términos de regularización.

   Se han diseñado diferentes combinaciones lineales de los términos de L1 y L2 para los modelos de regresión logística: por ejemplo, regularización elástica neta.

5. Tamaño de memoria para L-BFGS: especifique la cantidad de memoria que se usará para la optimización de L-BFGS . Este parámetro indica el número de gradientes y posiciones anteriores que se deben almacenar para el cálculo del siguiente paso.

   L-BFGS significa “Broyden-Fletcher-Goldfarb-Shanno” de memoria limitada y es un algoritmo de optimización popular para la estimación de parámetros. Este parámetro de optimización limita la cantidad de memoria que se usa para calcular el siguiente paso y la dirección. Cuando especifica menos memoria, el entrenamiento es más rápido, pero menos preciso.

6. Número de iniciación aleatorio: Escriba un valor entero para usar como valor de inicialización para el algoritmo si quiere que los resultados se puedan repetir entre ejecuciones. En caso contrario, como inicialización se usa un valor de reloj del sistema, lo que puede producir resultados ligeramente diferentes cada vez que ejecute el mismo experimento.

7. Permitir niveles de categorías desconocidos: seleccione esta opción para crear un nivel "desconocido" adicional en cada columna de categorías. Los valores (niveles) del conjunto de datos de prueba que no están presentes en el conjunto de datos de entrenamiento se asignan a este nivel "desconocido".

8. Conecte un conjunto de datos etiquetados y uno de los módulos de entrenamiento:

   • Si establece Create trainer mode (Crear modo entrenador) en Single Parameter (Parámetro único), use el módulo Entrenar modelo.

   • Si establece Create trainer mode (Crear modo entrenador) para Parameter Range (Intervalo de parámetros), use el módulo Optimizar los hiperparámetros del modelo. Con esta opción, puede especificar varios valores y el instructor recorre en iteración varias combinaciones de la configuración para determinar la combinación de valores que genera el mejor modelo.

   Nota:

   Si pasa un intervalo de parámetros a Entrenar modelo, solo utiliza el primer valor en la lista del intervalo de parámetros.

   Si pasa un único conjunto de valores de parámetro al módulo Optimizar los hiperparámetros del modelo, cuando espera un intervalo de valores para cada parámetro, omite los valores y usa los valores predeterminados para el aprendiz.

   Si selecciona la opción Parameter Range (Intervalo de parámetros) y especifica un valor único para algún parámetro, ese valor único que haya especificado se utilizará en todo el barrido, incluso si otros parámetros cambian en un intervalo de valores.

9. Ejecute el experimento.

Results

Una vez completado el entrenamiento:

• Para ver un resumen de los parámetros del modelo, junto con los pesos de características aprendidos en el entrenamiento, haga clic con el botón derecho en la salida del módulo Train Model (Entrenar modelo) o Tune Model Hyperparameters (Optimizar hiperparámetros del modelo) y seleccione Visualize (Visualizar).

Ejemplos

Para obtener ejemplos de cómo se usa este algoritmo de aprendizaje, consulte el Azure AI Gallery:

• Agrupación en clústeres iris: compara los resultados de la regresión logística multiclase con la agrupación en clústeres K-means.

• Detección de intrusiones de red: usa la regresión logística binaria para determinar si un caso representa una intrusión.

• Validación cruzada para clasificadores binarios: muestra el uso de la regresión logística en un flujo de trabajo experimental típico, incluida la evaluación de modelos.

Notas técnicas

Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.

Investigación relacionada

¿Desea obtener más información sobre las regularizaciones L1 y L2? En el siguiente artículo se proporciona una explicación de cómo la regularización L1 y L2 son diferentes y cómo afectan al ajuste del modelo, con ejemplos de código para la regresión logística y los modelos de red neuronal.

• Regularización L1 y L2 para Machine Learning

Para obtener más información sobre la implementación de este algoritmo, vea:

• Entrenamiento escalable de modelos de Log-Linear regularizados L-1, por Andrew y Gao.

Detalles de la implementación

La regresión logística requiere variables numéricas. Por lo tanto, al intentar usar columnas de categorías como una variable, Machine Learning los valores en una matriz de indicadores internamente.

Para fechas y horas, se usa una representación numérica. Para obtener más información sobre los valores de fecha y hora, vea DateTime Structure .NET Framework. Si desea controlar las fechas y horas de forma diferente, se recomienda crear una columna derivada.

La regresión logística estándar es binomial y supone dos clases de salida. La regresión logística multiclase o multinómico supone tres o más clases de salida.

La regresión logística binomial supone una distribución logística de los datos, donde la probabilidad de que un ejemplo pertenezca a la clase 1 es la fórmula:

p(x;β0,…, βD-1)

Donde:

• x es un vector dimensional D que contiene los valores de todas las características de la instancia.

• p es la función de distribución logística.

• β{0},..., β {D-1} son los parámetros desconocidos de la distribución logística.

El algoritmo intenta encontrar los valores óptimos para β{0},..., β {D-1} maximizando la probabilidad de registro de los parámetros según las entradas. La maximización se realiza mediante un método popular para la estimación de parámetros, denominado BFGS de memoria limitada.

Parámetros del módulo

Nombre	Intervalo	Tipo	Valor predeterminado	Descripción
Tolerancia de optimización	>=double.Epsilon	Float	0.0000001	Especificar un valor de tolerancia para el optimizador BFGS L
Peso de regularización L1	>=0,0	Float	1,0	Especificar el peso de regularización L1. Usar un valor distinto de cero para evitar sobreajuste.
Peso de regularización L2	>=0,0	Float	1,0	Especifique el peso de regularización L2. Usar un valor distinto de cero para evitar sobreajuste.
Tamaño de memoria para L-BFGS	>=1	Entero	20	Especificar la cantidad de memoria (en MB) para usar el optimizador L-BFGS. Cuando se usa menos memoria, el entrenamiento es más rápido pero menos preciso.
Valor de inicialización de números aleatorios	Any	Entero		Escribir un valor para inicializar el generador de números aleatorios usado por el modelo. Déjelo en blanco para usar el valor predeterminado.
Permitir niveles de categorías desconocidos	Any	Boolean	True	Indicar si se debe crear un nivel adicional para cada columna de categorías. Los niveles del conjunto de datos de prueba que no están disponibles en el conjunto de datos de entrenamiento se asignan a este nivel adicional.

Salidas

Nombre	Tipo	Descripción
Modelo no entrenado	Interfaz ILearner	Un modelo de clasificación no entrenado

Consulte también

Clasificación
Regresión logística de dos clases
Lista de módulos A-Z