Componente Perceptron Médio de Duas Classes

Este artigo descreve um componente no designer do Azure Machine Learning.

Use este componente para criar um modelo de machine learning com base no algoritmo perceptron médio.

Esse algoritmo de classificação é um método de aprendizado supervisionado e requer um conjunto de dados marcado, que inclui uma coluna de rótulo. Você pode treinar o modelo fornecendo o modelo e o conjunto de dados marcado como uma entrada para Modelo de Treino. O modelo treinado pode ser usado para prever valores para novos exemplos de entrada.

Sobre modelos de perceptron médio

O método de perceptron médio é uma versão inicial e simples de uma rede neural. Nesta abordagem, as entradas são classificadas em diversas saídas possíveis com base em uma função linear e combinadas com um conjunto de pesos derivados do vetor de recurso – daí o nome "perceptron".

Os modelos perceptron mais simples são adequados ao aprendizado de padrões separáveis linearmente, enquanto as redes neurais (especialmente redes neurais profundas) podem modelar limites de classe mais complexos. No entanto, os perceptrons são mais rápidos e conforme eles processem casos em série, podem ser usados com treinamento contínuo.

Como configurar o Perceptron Médio de Duas Classes

  1. Adicione o componente Perceptron Médio de Duas Classes ao seu pipeline.

  2. Especifique como você deseja que o modelo seja treinado, definindo a opção Criar o modo de treinador.

    • Parâmetro Único: se você sabe como configurar o modelo, forneça um conjunto específico de valores como argumentos.

    • Intervalo de Parâmetros: selecione esta opção se você não tiver certeza dos melhores parâmetros e quiser executar uma limpeza de parâmetro. Selecione um intervalo de valores para iteração e os Hiperparâmetros do Modelo de Ajuste vão iterar sobre todas as combinações possíveis das configurações que você forneceu para determinar os hiperparâmetros que produzem os resultados ideais.

  3. Especifique um valor para Taxa de aprendizagem. Os valores da taxa de aprendizado controlam o tamanho da etapa usada na descendente de gradiente estocástico cada vez que o modelo é testado e corrigido.

    Tornando a taxa menor, você testa o modelo com mais frequência, com o risco de ficar preso em um limite local. Aumentando a etapa, você pode convergir mais rapidamente, com o risco mínimo de errar o alvo verdadeiro.

  4. Para Número máximo de iterações, digite o número de vezes que você deseja que o algoritmo examine os dados de treinamento.

    Parando no início geralmente fornece melhor generalização. Aumentar o número de iterações melhora o ajuste, com o risco de superajuste.

  5. Para Semente de número aleatório, digite opcionalmente um valor inteiro para usar como semente. Usar uma semente será recomendado se você quiser garantir reprodução do pipeline entre execuções.

  6. 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 você selecionar a opção Intervalo de parâmetros e inserir um único valor para qualquer parâmetro, esse valor único especificado será usado em toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.

Próximas etapas

Confira o conjunto de componentes disponíveis no Azure Machine Learning.