Komponen Jaringan Neural Dua Kelas
Artikel ini menjelaskan komponen dalam perancang Azure Machine Learning.
Gunakan komponen ini untuk membuat model jaringan neural yang dapat digunakan untuk memprediksi target yang hanya memiliki dua nilai.
Klasifikasi yang menggunakan jaringan neural adalah metode pembelajaran yang diawasi, dan karenanya memerlukan himpunan data yang diberi tag yang menyertakan kolom label. Misalnya, Anda dapat menggunakan model jaringan neural ini untuk memprediksi hasil biner seperti apakah pasien memiliki penyakit tertentu atau tidak, atau apakah komputer mengalami kegagalan dalam periode waktu tertentu.
Setelah Anda menentukan model, latih model dengan menyediakan himpunan data yang diberi tag dan model sebagai input ke Model Latihan. Model terlatih kemudian dapat digunakan untuk memprediksi nilai untuk contoh input baru.
Selebihnya tentang jaringan neural
Jaringan neural adalah satu set lapisan yang saling terhubung. Input adalah lapisan pertama, dan terhubung ke lapisan output oleh grafik acyclic yang terdiri dari tepi dan node tertimbang.
Di antara lapisan input dan output, Anda dapat memasukkan beberapa lapisan tersembunyi. Sebagian besar tugas prediktif dapat diselesaikan dengan mudah hanya dengan satu atau beberapa lapisan tersembunyi. Namun, penelitian terbaru telah menunjukkan bahwa jaringan neural dalam (DNN) dengan banyak lapisan dapat efektif dalam tugas-tugas kompleks seperti pengenalan gambar atau ucapan. Lapisan berturut-turut digunakan untuk memodelkan peningkatan tingkat kedalaman semantik.
Hubungan antara input dan output dipelajari dari pelatihan jaringan neural pada data input. Arah grafik berlanjut dari input melalui lapisan tersembunyi dan ke lapisan output. Semua node dalam lapisan dihubungkan oleh tepi tertimbang ke node di lapisan berikutnya.
Untuk menghitung output jaringan untuk input tertentu, nilai dihitung pada setiap node di lapisan tersembunyi dan di lapisan output. Nilai diatur dengan menghitung jumlah tertimbang dari nilai node dari lapisan sebelumnya. Fungsi aktivasi kemudian diterapkan ke jumlah tertimbang tersebut.
Cara mengonfigurasi
Tambahkan komponen Jaringan Neural Dua Kelas ke alur Anda. Anda dapat menemukan komponen ini di bagian Pembelajaran Mesin,Inisialisasi, dalam kategori Klasifikasi.
Tentukan bagaimana Anda ingin melatih model dengan mengatur opsi Buat mode pelatih.
Parameter Tunggal: Pilih opsi ini jika Anda sudah tahu bagaimana Anda akan mengonfigurasi model.
Rentang Parameter: Jika tidak yakin dengan parameter terbaik, Anda dapat menemukan parameter optimal dengan menggunakan komponen Tune Model Hyperparameters. Anda dapat memberikan rentang nilai, dan pelatih akan mengiterasikan melalui beberapa kombinasi pengaturan untuk menentukan kombinasi nilai yang menghasilkan hasil terbaik.
Untuk spesifikasi lapisan tersembunyi, pilih jenis arsitektur jaringan untuk dibuat.
Kasus yang sepenuhnya terhubung: Menggunakan arsitektur jaringan neural default, didefinisikan untuk jaringan neural dua kelas sebagai berikut:
Memiliki satu lapisan tersembunyi.
Lapisan output sepenuhnya terhubung ke lapisan tersembunyi dan lapisan tersembunyi sepenuhnya terhubung ke lapisan input.
Jumlah node dalam lapisan input yang setara jumlah fitur dalam data pelatihan.
Jumlah node di lapisan tersembunyi diatur oleh pengguna. Nilai defaultnya adalah 100.
Jumlah node sama dengan jumlah kelas. Untuk jaringan neural dua kelas, ini berarti semua input harus memetakan ke salah satu dari dua node di lapisan output.
Untuk Tingkat pembelajaran, tentukan ukuran langkah yang diambil pada setiap iterasi, sebelum koreksi. Nilai yang lebih besar untuk tingkat pembelajaran dapat menyebabkan model berkumpul lebih cepat, tetapi dapat melampaui minimum lokal.
Untuk Jumlah iterasi pembelajaran, tentukan jumlah maksimal algoritme harus memproses kasus pelatihan.
Untuk Diameter bobot pembelajaran awal, tentukan bobot node pada awal proses pembelajaran.
Untuk momentum, tentukan bobot yang akan diterapkan selama pembelajaran ke node dari iterasi sebelumnya
Pilih opsi Contoh acak untuk mengacak kasus di antara iterasi. Jika Anda membatalkan opsi ini, kasus diproses dalam urutan yang sama persis setiap kali Anda menjalankan alur.
Untuk Benih angka acak, ketikkan nilai yang akan digunakan sebagai benih.
Menentukan nilai benih berguna ketika Anda ingin memastikan pengulangan di seluruh eksekusi dari alur yang sama. Jika tidak, nilai jam sistem digunakan sebagai benih, yang dapat menyebabkan hasil yang sedikit berbeda tiap kali Anda menjalankan alur.
Tambahkan himpunan data untuk alur, dan latih model tersebut:
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 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.
Untuk menggunakan model penilaian, tambahkan komponen Model Penilaian ke alur.
Langkah berikutnya
Lihat set komponen yang tersedia untuk Azure Machine Learning.