Componente Regressão de Rede Neural
Cria um modelo de regressão usando um algoritmo de rede neural
Categoria: Machine Learning/ Inicializar modelo/ Regressão
Visão geral do componente
Este artigo descreve o componente no Azure Machine Learning Designer.
Use este componente para criar um modelo de regressão com um algoritmo de rede neural personalizável.
Embora as redes neurais sejam amplamente conhecidas para uso em problemas complexos de aprendizado e modelagem, como reconhecimento de imagem, elas são facilmente adaptadas para problemas de regressão. Qualquer classe de modelos estatísticos pode ser chamada de rede neural se ela usar pesos adaptáveis e puder aproximar funções não lineares de suas entradas. Assim, a regressão de rede neural é adequada para onde um modelo de regressão mais tradicional não tiver uma solução.
A regressão de rede neural é um método de aprendizado supervisionado e, portanto, requer um conjunto de dados marcado que inclua uma coluna de rótulo. Como um modelo de regressão prevê um valor numérico, a coluna de rótulo deve ser um tipo de dado numérico.
Treine o modelo fornecendo o modelo e o conjunto de dados marcado como uma entrada para Treinar Modelo. O modelo treinado pode ser usado para prever valores para os novos exemplos de entrada.
Configurar regressão de rede neural
As redes neurais são bastante personalizáveis. Esta seção descreve como criar um modelo usando dois métodos:
Criar um modelo de rede neural usando a arquitetura padrão
Se você aceitar a arquitetura de rede neural padrão, use o painel Propriedades para definir os parâmetros que controlam o comportamento da rede neural, como o número de nós na camada oculta, a taxa de aprendizado e a normalização.
Comece aqui se as redes neurais forem uma novidade para você. O componente permite muitas personalizações, além de ajuste de modelo, sem necessidade de conhecimento profundo das redes neurais.
Definir uma arquitetura personalizada para uma rede neural
Use esta opção se quiser adicionar camadas ocultas extras ou personalizar totalmente a arquitetura de rede, as conexões e as funções de ativação.
Essa opção é melhor se você já tiver experiência prévia com redes neurais. A linguagem Net# é usada para definir a arquitetura de rede.
Criar um modelo de rede neural usando a arquitetura padrão
Adicione o componente de Regressão de Rede Neural ao pipeline no designer. Você pode encontrar esse componente em Machine Learning, Inicializar, na categoria Regressão.
Indique como você deseja que o modelo seja treinado definindo a opção Criar modo de aprendizagem.
Parâmetro único: escolha esta opção se você já souber como deseja configurar o modelo.
Intervalo de Parâmetros: escolha esta opção se não tiver certeza dos melhores parâmetros e quiser executar uma varredura de parâmetro. Escolha um intervalo de valores para iteração e o Ajustar os Hiperparâmetros do Modelo itera sobre todas as combinações possíveis das configurações fornecidas para determinar os hiperparâmetros que produzem os resultados ideais.
Em Especificação de camada oculta, escolha Caso totalmente conectado. Essa opção cria um modelo com a arquitetura de rede neural padrão, que tem estes atributos para um modelo de regressão de rede neural:
- A rede tem exatamente uma camada oculta.
- A camada de saída é totalmente conectada à camada oculta e a camada oculta é totalmente conectada à camada de entrada.
- O número de nós na camada oculta pode ser definido pelo usuário (o valor padrão é 100).
Como o número de nós na camada de entrada é determinado pelo número de recursos nos dados de treinamento, em um modelo de regressão pode haver apenas um nó na camada de saída.
Para Número de nós ocultos, digite o número de nós ocultos. O padrão é uma camada oculta com 100 nós. (Essa opção não estará disponível ao definir uma arquitetura personalizada com Net#).
Em taxa de aprendizagem, digite um valor que defina a etapa executada em cada iteração, antes da correção. Um valor maior para a taxa de aprendizagem pode fazer o modelo convergir mais rapidamente, mas com o risco mínimo de errar o alvo verdadeiro.
Para número de iterações de aprendizagem, especifique o número máximo de vezes que o algoritmo processa os casos de treinamento.
Em O impulso, digite um valor a ser aplicado durante o aprendizado como um peso nos nós de iterações anteriores.
Escolha a opção Embaralhar exemplos para mudar a ordem de casos entre as iterações. Se você desmarcar essa opção, os casos serão processados exatamente na mesma ordem toda vez que você executar o pipeline.
Em Semente de número aleatório, você pode digitar um valor inteiro para usar como semente. Especificar um valor de semente é útil quando você deseja garantir a capacidade de repetição em execuções do mesmo pipeline.
Conecte-se a um conjunto de dados de treinamento e treine o modelo:
Se você definir Criar modo treinador como Parâmetro Único, conecte um conjunto de dados marcado e o componente Treinar Modelo.
Se definir Criar modo de aprendizagem como Intervalo de parâmetros, conecte um conjunto de dados marcado e treine o modelo usando Ajustar hiperparâmetros do modelo.
Observação
Se você passar um intervalo de parâmetros para Treinar modelo, ele usará apenas o valor padrão na lista de parâmetros únicos.
Se você passar apenas um conjunto de valores de parâmetro para o componente Ajustar Hiperparâmetros do Modelo, quando ele espera receber um intervalo de configurações para cada parâmetro, ele ignorará os valores e usará os valores padrão para o aprendiz.
Se escolher a opção Intervalo de Parâmetros e inserir um único valor para um parâmetro, esse valor único especificado será usado em toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.
Enviar o pipeline.
Resultados
Após a conclusão do treinamento:
- Para salvar um instantâneo do modelo treinado, escolha a guia Saídas no painel direito do componente Treinar modelo. Escolha o ícone Registrar conjunto de dados para salvá-lo como um componente reutilizável.
Próximas etapas
Confira o conjunto de componentes disponíveis no Azure Machine Learning.