Komponen Perceptron Rata-rata Dua Kelas
Artikel ini menjelaskan komponen dalam perancang Azure Machine Learning.
Gunakan komponen ini untuk membuat model pembelajaran mesin berdasarkan algoritma perceptron rata-rata.
Algoritme klasifikasi ini adalah metode pembelajaran yang diawasi, dan memerlukan himpunan data yang ditandai, yang menyertakan kolom label. 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.
Tentang model perceptron rata-rata
Metode perceptron rata-rata adalah versi awal dan sederhana dari jaringan neural. Dalam pendekatan ini, input diklasifikasikan ke dalam beberapa output yang mungkin berdasarkan fungsi linier, kemudian dikombinasikan dengan satu set bobot yang berasal dari vektor fitur — oleh karena itu namanya "perceptron".
Model persepsi yang lebih sederhana cocok untuk mempelajari pola yang dapat diseparkan secara linear, sedangkan jaringan neural (terutama jaringan neural dalam) dapat memodelkan batas kelas yang lebih kompleks. Namun, perceptron lebih cepat, dan perceptron dapat digunakan dengan pelatihan berkelanjutan karena perceptron memproses kasus secara serial.
Cara mengonfigurasi Perceptron Rata-rata Dua Kelas
Tambahkan komponen Perceptron Rata-rata Dua Kelas ke alur Anda.
Tentukan bagaimana Anda ingin melatih model dengan mengatur opsi Buat mode pelatih.
Parameter Tunggal: Jika Anda tahu bagaimana Anda ingin mengonfigurasi model, berikan serangkaian nilai tertentu sebagai argumen.
Rentang Parameter: Pilih opsi ini jika Anda tidak yakin dengan parameter terbaik, dan ingin menjalankan sapuan parameter. Pilih rentang nilai yang akan diulang, dan Tune Model Hyperparameters mengulangi semua kemungkinan kombinasi pengaturan yang Anda berikan untuk menentukan hyperparameter yang menghasilkan hasil optimal.
Untuk Tingkat pembelajaran, tentukan nilai untuk tingkat pembelajaran. Nilai kecepatan pembelajaran mengontrol ukuran langkah yang digunakan dalam penurunan gradien stochastic setiap kali model diuji dan diperbaiki.
Dengan membuat tingkat lebih kecil, Anda menguji model lebih sering, dengan risiko bahwa Anda mungkin terjebak di dataran tinggi lokal. Dengan membuat langkah lebih besar, Anda dapat mengumpulkan dengan lebih cepat, dengan risiko melampaui minimum yang sebenarnya.
Untuk Jumlah maksimum iterasi, ketikkan berapa kali Anda ingin algoritme memeriksa data pelatihan.
Berhenti lebih awal biasanya memberikan generalisasi yang lebih baik. Meningkatkan jumlah iterasi meningkatkan kesesuaian, dengan risiko kesesuaian yang berlebihan.
Untuk Benih angka acak, ketikkan nilai integer secara opsional untuk digunakan sebagai benih. Menggunakan benih disarankan jika Anda ingin memastikan reproduksi alur di seluruh eksekusi.
Hubungkan himpunan data pelatihan dan latih model:
Jika Anda mengatur Buat mode pelatih ke Parameter Tunggal, hubungkan himpunan data yang diberi tag dan komponen Latih Model.
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 satu nilai untuk parameter apa saja, nilai tunggal yang Anda tentukan akan digunakan di seluruh pembersihan, bahkan jika parameter lain berubah di berbagai nilai.
Langkah berikutnya
Lihat set komponen yang tersedia untuk Azure Machine Learning.