składnik Two-Class Averaged Perceptron

W tym artykule opisano składnik w projektancie Azure Machine Learning.

Użyj tego składnika, aby utworzyć model uczenia maszynowego na podstawie średniego algorytmu perceptronu.

Ten algorytm klasyfikacji jest metodą uczenia nadzorowanego i wymaga oznaczonego zestawu danych, który zawiera kolumnę etykiety. Model można wytrenować, podając model i otagowany zestaw danych jako dane wejściowe do trenowania modelu. Wytrenowany model może następnie służyć do przewidywania wartości dla nowych przykładów wejściowych.

Około uśrednionych modeli perceptron

Średnia metoda perceptron jest wczesną i prostą wersją sieci neuronowej. W tym podejściu dane wejściowe są klasyfikowane na kilka możliwych danych wyjściowych na podstawie funkcji liniowej, a następnie połączone z zestawem wag, które pochodzą z wektora funkcji — stąd nazwa "perceptron".

Prostsze modele perceptronu są odpowiednie do uczenia się liniowo rozdzielanych wzorców, podczas gdy sieci neuronowe (szczególnie głębokie sieci neuronowe) mogą modelować bardziej złożone granice klas. Jednak perceptrony są szybsze i ponieważ przetwarzają przypadki seryjnie, perceptrony mogą być używane z ciągłym trenowaniem.

Jak skonfigurować Two-Class Averaged Perceptron

  1. Dodaj składnik Two-Class Averaged Perceptron do potoku.

  2. Określ sposób trenowania modelu, ustawiając opcję Utwórz tryb trenera .

    • Pojedynczy parametr: jeśli wiesz, jak skonfigurować model, podaj określony zestaw wartości jako argumenty.

    • Zakres parametrów: wybierz tę opcję, jeśli nie masz pewności co do najlepszych parametrów i chcesz uruchomić zamiatanie parametrów. Wybierz zakres wartości do iterowania, a hiperparametry modelu dostrajania iterują wszystkie możliwe kombinacje podanych ustawień w celu określenia hiperparametrów, które generują optymalne wyniki.

  3. W przypadku współczynnika Edukacja określ wartość współczynnika nauki. Wartości szybkości uczenia kontrolują rozmiar kroku, który jest używany w spadku gradientu stochastycznego za każdym razem, gdy model jest testowany i poprawiany.

    Dzięki mniejszej szybkości testujesz model częściej, z ryzykiem, że możesz utknąć w lokalnym plateau. Przez zwiększenie kroku można szybciej zbiegać się, na ryzyko przekroczenia prawdziwej minima.

  4. W polu Maksymalna liczba iteracji wpisz liczbę razy, którą algorytm ma zbadać dane treningowe.

    Zatrzymywanie na wczesnym etapie często zapewnia lepszą uogólnianie. Zwiększenie liczby iteracji poprawia dopasowanie, na ryzyko nadmiernego dopasowania.

  5. W polu Losowe nasion liczb, opcjonalnie wpisz wartość całkowitą, która ma być używana jako nasion. Użycie nasion jest zalecane, jeśli chcesz zapewnić powtarzalność potoku między przebiegami.

  6. Połączenie zestaw danych trenowania i trenowanie modelu:

    • Jeśli ustawisz opcję Utwórz tryb trenera na pojedynczy parametr, połącz oznakowany zestaw danych i składnik Train Model .

    • Jeśli ustawisz opcję Utwórz tryb trenera na wartość Zakres parametrów, połącz oznakowany zestaw danych i wytrenuj model przy użyciu hiperparametrów tune model.

    Uwaga

    Jeśli przekazujesz zakres parametrów do trenowania modelu, używa tylko wartości domyślnej na liście pojedynczych parametrów.

    Jeśli przekazujesz jeden zestaw wartości parametrów do składnika Hiperparametry modelu dostrajania , gdy oczekuje on zakresu ustawień dla każdego parametru, ignoruje wartości i używa wartości domyślnych dla ucznia.

    Jeśli wybierzesz opcję Zakres parametrów i wprowadzisz pojedynczą wartość dla dowolnego parametru, ta określona wartość jest używana w całym zamiataniu, nawet jeśli inne parametry zmieniają się w zakresie wartości.

Następne kroki

Zobacz zestaw składników dostępnych do Azure Machine Learning.