componente rete neurale Two-Class
Questo articolo descrive un componente nella finestra di progettazione di Azure Machine Learning.
Usare questo componente per creare un modello di rete neurale che può essere usato per stimare una destinazione con solo due valori.
La classificazione tramite reti neurali è un metodo di apprendimento con supervisione e quindi richiede un set di dati con tag, che include una colonna di etichetta. Ad esempio, è possibile usare questo modello di rete neurale per stimare i risultati binari, ad esempio se un paziente ha una determinata malattia, o se un computer potrebbe non riuscire entro un intervallo di tempo specificato.
Dopo aver definito il modello, eseguirne il training fornendo un set di dati con tag e il modello come input per il training del modello. Il modello sottoposto a training può quindi essere usato per stimare i valori per i nuovi input.
Altre informazioni sulle reti neurali
Una rete neurale è un set di livelli interconnessi. Gli input sono il primo livello e sono connessi a un livello di output da un grafico acyclic costituito da bordi e nodi ponderati.
Tra i livelli di input e output è possibile inserire più livelli nascosti. Con uno solo o più livelli nascosti, è possibile eseguire facilmente la maggior parte delle attività di stima. Tuttavia, la recente ricerca ha dimostrato che le reti neurali profonde (DNN) con molti livelli possono essere efficaci in attività complesse, ad esempio il riconoscimento vocale o immagine. I livelli successivi vengono usati per modellare livelli crescenti di profondità semantica.
La relazione tra input e output viene appresa dal training della rete neurale sui dati di input. La direzione del grafico procede dagli input attraverso il livello nascosto e al livello di output. Tutti i nodi di un livello sono connessi dai bordi ponderati ai nodi nel livello successivo.
Per calcolare l'output della rete per un determinato input, un valore viene calcolato in ogni nodo nei livelli nascosti e nel livello di output. Il valore viene impostato calcolando la somma ponderata dei valori dei nodi del livello precedente. Una funzione di attivazione viene quindi applicata a tale somma ponderata.
Modalità di configurazione
Aggiungere il componente Rete neurale a due classi alla pipeline. È possibile trovare questo componente in Machine Learning, Inizializzare, nella categoria Classificazione .
Specificare la modalità di training del modello impostando l'opzione Crea modalità di training .
Singolo parametro: scegliere questa opzione se si conosce già come configurare il modello.
Intervallo di parametri: se non si è certi dei parametri migliori, è possibile trovare i parametri ottimali usando il componente Tune Model Hyperparameters . È possibile fornire un intervallo di valori e l'iterazione del trainer su più combinazioni delle impostazioni per determinare la combinazione di valori che generano il risultato migliore.
Per Specifica livello nascosto selezionare il tipo di architettura di rete da creare.
Caso completamente connesso: usa l'architettura di rete neurale predefinita, definita per reti neurali a due classi come indicato di seguito:
Ha un livello nascosto.
Il livello di output è completamente connesso al livello nascosto e il livello nascosto è completamente connesso al livello di input.
Il numero di nodi nel livello di input equivale al numero di funzionalità nei dati di training.
Il numero di nodi nel livello nascosto viene impostato dall'utente. Il valore predefinito è 100.
Il numero di nodi è uguale al numero di classi. Per una rete neurale a due classi, questo significa che tutti gli input devono eseguire il mapping a uno dei due nodi nel livello di output.
Per Frequenza di apprendimento, definire le dimensioni del passaggio eseguito in ogni iterazione, prima della correzione. Un valore superiore per la velocità di apprendimento può provocare una convergenza più rapida del modello, ma può eccedere i valori minimi locali.
Per Numero di iterazioni di apprendimento, specificare il numero massimo di volte in cui l'algoritmo deve elaborare i casi di training.
Per Il diametro dei pesi di apprendimento iniziale specificare i pesi del nodo all'inizio del processo di apprendimento.
Per Il momento specificare un peso da applicare durante l'apprendimento ai nodi dalle iterazioni precedenti
Selezionare l'opzione Esempi di shuffle per riassegnare i casi tra iterazioni. Se si deseleziona questa opzione, i casi vengono elaborati esattamente nello stesso ordine ogni volta che si esegue la pipeline.
Per inizializzazione numero casuale digitare un valore da usare come inizializzazione.
La specifica di un valore di inizializzazione è utile quando si vuole garantire la ripetibilità tra le esecuzioni della stessa pipeline. In caso contrario, viene usato un valore dell'orologio di sistema come seed, che può causare risultati leggermente diversi ogni volta che si esegue la pipeline.
Aggiungere un set di dati etichettato alla pipeline e eseguire il training del modello:
Se si imposta La modalità di training suSingolo parametro, connettere un set di dati con tag e il componente Train Model .
Se si imposta La modalità di training suIntervallo di parametri, connettere un set di dati con tag e eseguire il training del modello usando Gli iperparametri del modello.
Nota
Se si passa un intervallo di parametri a Train Model, usa solo il valore predefinito nell'elenco dei parametri singoli.
Se si passa un singolo set di valori di parametro al componente Ottimizzare gli iperparametri del modello , quando prevede un intervallo di impostazioni per ogni parametro, ignora i valori e usa i valori predefiniti per il learner.
Se si seleziona l'opzione Intervallo di parametri e si immette un singolo valore per qualsiasi parametro, tale singolo valore specificato viene usato durante lo sweep, anche se altri parametri cambiano in un intervallo di valori.
Inviare la pipeline.
Risultati
Al termine del training:
Per salvare uno snapshot del modello sottoposto a training, selezionare la scheda Output nel pannello destro del componente Training modello . Selezionare l'icona Registra set di dati per salvare il modello come componente riutilizzabile.
Per usare il modello per l'assegnazione dei punteggi, aggiungere il componente Score Model a una pipeline.
Passaggi successivi
Vedere il set di componenti disponibili per Azure Machine Learning.