Komponen Regresi Jaringan Neural
Membuat model regresi menggunakan algoritma jaringan neural
Kategori: Pembelajaran Mesin / Inisialisasi Model / Regresi
Gambaran umum komponen
Artikel ini menjelaskan komponen dalam perancang Azure Machine Learning.
Gunakan komponen ini untuk membuat model regresi menggunakan algoritma jaringan neural yang dapat dikustomisasi.
Meskipun jaringan neural dikenal luas untuk digunakan dalam pembelajaran mendalam dan pemodelan masalah kompleks seperti pengenalan gambar, jaringan neural mudah beradaptasi dengan masalah regresi. Setiap kelas model statistik dapat disebut jaringan neural jika menggunakan bobot adaptif dan dapat memperkirakan fungsi non-linier input mereka. Regresi jaringan neural cocok untuk masalah di mana model regresi yang lebih tradisional tidak sesuai dengan solusi.
Regresi jaringan neural adalah metode pembelajaran yang diawasi, dan karenanya memerlukan himpunan data yang diberi tag, yang menyertakan kolom label. Karena model regresi memprediksi nilai numerik, kolom label harus berjenis data numerik.
Anda dapat melatih model dengan menyediakan model dan himpunan data yang diberi tag sebagai sebuah input ke Model Latihan. Model terlatih kemudian dapat digunakan untuk memprediksi nilai untuk contoh input baru.
Mengonfigurasi Regresi Jaringan Neural
Jaringan neural dapat dikustomisasi secara luas. Bagian ini menjelaskan cara membuat model menggunakan dua metode:
Membuat model jaringan neural menggunakan arsitektur default
Jika Anda menerima arsitektur jaringan neural default, gunakan panel Properti untuk mengatur parameter yang mengontrol perilaku jaringan neural, seperti jumlah simpul di lapisan tersembunyi, tingkat pembelajaran, dan normalisasi.
Mulai di sini jika Anda baru menggunakan jaringan neural. Komponen ini mendukung banyak kustomisasi, serta penyetelan model, tanpa pengetahuan mendalam tentang jaringan neural.
Menentukan arsitektur kustom untuk jaringan neural
Gunakan opsi ini jika Anda ingin menambahkan lapisan tersembunyi ekstra, atau sepenuhnya mengustomisasi arsitektur jaringan, koneksi, dan fungsi pengaktifan.
Opsi ini yang terbaik jika Anda sudah cukup terbiasa dengan jaringan neural. Anda menggunakan bahasa pemrogram Net# untuk menentukan arsitektur jaringan.
Membuat model jaringan neural menggunakan arsitektur default
Tambahkan komponen Regresi Jaringan Neural ke alur Anda di perancang. Anda dapat menemukan komponen ini di bawah Pembelajaran Mesin,Inisialisasi, di bawah kategori Regresi.
Tentukan bagaimana Anda ingin model dilatih dengan mengatur opsi Buat mode pelatih.
Parameter Tunggal: Pilih opsi ini jika Anda sudah tahu bagaimana Anda akan mengonfigurasi model.
Rentang Parameter: Pilih opsi ini jika Anda tidak yakin dengan parameter terbaik, dan ingin menjalankan sapuan parameter. Pilih rentang nilai untuk diiterasi, dan Tune Model Hyperparameters mengulang semua kemungkinan kombinasi pengaturan yang Anda berikan untuk menentukan hyperparameter yang memberikan hasil optimal.
Dalam Spesifikasi lapisan tersembunyi, pilih Kasus yang terhubung penuh. Opsi ini membuat model menggunakan arsitektur jaringan neural default, yang untuk model regresi jaringan neural, memiliki atribut berikut:
- Jaringan hanya memiliki satu lapisan tersembunyi.
- Lapisan output sepenuhnya terhubung ke lapisan tersembunyi dan lapisan tersembunyi sepenuhnya terhubung ke lapisan input.
- Jumlah simpul di lapisan tersembunyi dapat diatur oleh pengguna (nilai default adalah 100).
Karena jumlah simpul dalam lapisan input ditentukan oleh jumlah fitur dalam data pelatihan, dalam model regresi hanya ada satu node di lapisan output.
Untuk Jumlah simpul tersembunyi, ketikkan jumlah simpul tersembunyi. Opsi default satu lapisan tersembunyi memiliki 100 node. (Opsi ini tidak tersedia jika Anda menentukan arsitektur kustom menggunakan Net#.)
Untuk Tingkat pembelajaran, ketikkan nilai yang menentukan langkah yang diambil pada setiap perulangan, sebelum koreksi. Nilai yang lebih besar untuk tingkat pembelajaran dapat menyebabkan model bersatu lebih cepat, tetapi dapat melampaui minimum lokal.
Untuk Jumlah perulangan pembelajaran, tentukan jumlah maksimal berapa kali algoritma memproses kasus pelatihan.
Untuk momentum, ketik nilai yang akan diterapkan selama pembelajaran sebagai bobot pada simpul dari perulangan sebelumnya.
Pilih opsi, Acak sampel, untuk mengubah urutan kasus di antara perulangan. Jika Anda membatalkan opsi ini, kasus diproses dalam urutan yang sama persis setiap kali Anda menjalankan alur.
Untuk Seed angka acak, Anda dapat secara opsional mengetikkan nilai untuk digunakan sebagai benih. Menentukan nilai seed berguna ketika Anda ingin memastikan pengulangan di seluruh eksekusi dari alur yang sama.
Hubungkan himpunan data pelatihan dan latih model:
Jika Anda mengatur Buat mode pelatih ke Parameter Tunggal, hubungkan himpunan data yang ditandai dan komponen Model Pelatihan.
Jika Anda mengatur Buat mode pelatih ke Rentang Parameter, sambungkan himpunan data yang ditandai dan latih model menggunakan Setel Model Hyperparameter.
Catatan
Jika Anda meneruskan rentang parameter ke Latih Model, rentang tersebut hanya akan menggunakan nilai default dalam satu daftar parameter.
Jika Anda meneruskan satu set nilai parameter ke komponen Tune Model Hyperparameters, saat mengharapkan rentang pengaturan untuk setiap parameter, komponen akan mengabaikan nilai, dan menggunakan nilai default untuk pelajar.
Jika Anda memilih opsi Rentang Parameter dan memasukkan nilai tunggal untuk parameter apa pun, nilai tunggal yang Anda tentukan akan digunakan di seluruh sapuan, bahkan jika parameter lain berubah di berbagai nilai.
Kirimkan alur.
Hasil
Setelah pelatihan selesai:
- Untuk menyimpan cuplikan dari model terlatih, pilih tab Output di panel kanan komponen Model pelatihan. Pilih ikon Daftarkan himpunan data untuk menyimpan model sebagai komponen yang dapat digunakan kembali.
Langkah berikutnya
Lihat set komponen yang tersedia untuk Azure Machine Learning.