Perceção Média de Duas Classes

Cria um modelo de classificação binária perceptron média

Categoria: Machine Learning / Initialize Model / Classification

Nota

Aplica-se a: Machine Learning Studio (clássico)

Este conteúdo diz respeito apenas ao Studio (clássico). Módulos semelhantes de arrasto e queda foram adicionados ao designer de Aprendizagem automática Azure. Saiba mais neste artigo comparando as duas versões.

Visão geral do módulo

Este artigo descreve como usar o módulo Perceptron Averaged perceptron de duas classes no Azure Machine Learning Studio (clássico), para criar um modelo de aprendizagem automática baseado no algoritmo perceptron médio.

Este algoritmo de classificação é um método de aprendizagem supervisionado, e requer um conjunto de dados marcado, que inclui uma coluna de etiqueta. Pode treinar o modelo fornecendo o modelo e o conjunto de dados marcados como uma entrada para Model Model ou Tune Model Hyperparameters. O modelo treinado pode então ser usado para prever valores para os novos exemplos de entrada.

Mais sobre modelos perceptron médios

O método perceptron médio é uma versão precoce e muito simples de uma rede neural. Nesta abordagem, as entradas são classificadas em várias saídas possíveis com base numa função linear, e depois combinadas com um conjunto de pesos que são derivados do vetor de recurso - daí o nome "perceptron".

Os modelos perceptron mais simples são adequados para aprender padrões linearmente separáveis, enquanto as redes neurais (especialmente redes neuronais profundas) podem modelar limites de classe mais complexos. No entanto, os perceptrons são mais rápidos, e como processam casos em série, os perceptrons podem ser usados com treino contínuo.

Como configurar Two-Class Perceptron Médio

  1. Adicione o módulo Perceptron Averaged de duas classes à sua experiência em Studio (clássico).

  2. Especifique como pretende que o modelo seja treinado, definindo a opção modo de formação Create.

    • Parâmetro único: Se souber como pretende configurar o modelo, forneça um conjunto específico de valores como argumentos.

    • Intervalo de parâmetros: Se não tiver a certeza dos melhores parâmetros, encontre os parâmetros ideais especificando vários valores e utilizando o módulo Tune Model Hyperparameters para encontrar a configuração ideal. O treinador itera sobre várias combinações das configurações fornecidas e determina a combinação de valores que produz o melhor modelo.

  3. Para a taxa de aprendizagem, especifique um valor para a taxa de aprendizagem. Os valores da taxa de aprendizagem controlam o tamanho do passo que é usado na descida do gradiente estocástico cada vez que o modelo é testado e corrigido.

    Ao tornar a taxa menor, testa o modelo com mais frequência, correndo o risco de ficar preso num planalto local. Ao aumentar o passo, pode convergir mais rápido, correndo o risco de ultrapassar o verdadeiro minima.

  4. Para o número máximo de iterações, digite o número de vezes que pretende que o algoritmo examine os dados de treino.

    Parar cedo muitas vezes proporciona uma melhor generalização. Aumentar o número de iterações melhora a adaptação, correndo o risco de sobremontagem.

  5. Para sementes de número aleatório, digite opcionalmente um valor inteiro para usar como semente. Recomenda-se a utilização de uma semente se pretender garantir a reprodutibilidade da experiência através de corridas.

  6. Selecione a opção de níveis categóricos desconhecidos para criar um grupo para valores desconhecidos nos conjuntos de treino e validação. O modelo pode ser menos preciso para valores conhecidos, mas pode fornecer melhores previsões para novos valores (desconhecidos).

    Se desmarcar esta opção, o modelo só pode aceitar os valores contidos nos dados de treino.

  7. Ligue um conjunto de dados de formação e um dos módulos de treino:

    Nota

    Se passar uma gama de parâmetros para o Modelo de Comboio,utiliza apenas o primeiro valor na lista de parâmetros.

    Se passar um único conjunto de valores de parâmetros para o módulo Tune Model Hyperparameters, quando espera uma gama de definições para cada parâmetro, ignora os valores e utiliza os valores predefinidos para o aluno.

    Se selecionar a opção De Alcance de Parâmetros e introduzir um único valor para qualquer parâmetro, esse valor único especificado é utilizado ao longo da varredura, mesmo que outros parâmetros se alterem numa gama de valores.

Resultados

Após o treino estar completo:

  • Para ver um resumo dos parâmetros do modelo, juntamente com os pesos de recurso aprendidos com o treino, clique com o botão direito na saída do Model de Comboio ou dos Hiperparómetros do Modelode Sintonização .

Exemplos

Por exemplo, como este algoritmo de aprendizagem é usado, consulte a Galeria Azure AI:

Notas técnicas

Esta secção contém detalhes de implementação, dicas e respostas a perguntas frequentes.

Dicas de utilização

Para este tipo de modelo, é uma boa prática normalizar conjuntos de dados antes de os utilizar para treinar o classificador. Para obter opções de normalização, consulte Normalizar Dados.

O modelo perceptron médio é uma versão precoce e simplificada das redes neurais. Como tal, funciona bem em conjuntos de dados simples quando o seu objetivo é a velocidade acima da precisão. No entanto, se não estiver a obter os resultados desejados, experimente um destes modelos:

Parâmetros do módulo

Nome Intervalo Tipo Predefinição Descrição
Taxa de aprendizagem >=duplo. Epsilon Float 1,0 A taxa de aprendizagem inicial para o otimizador de descida de gradiente estocástico.
Número máximo de iterações >=1 Número inteiro 10 O número de iterações de descida de gradiente stochastic a ser realizadas ao longo do conjunto de dados de treino.
Semente de número aleatório Qualquer Número inteiro A semente para o gerador de números aleatórios usado pelo modelo. Deixe em branco para o padrão.
Permitir níveis categóricos desconhecidos Qualquer Booleano Verdadeiro Se verdadeiro, cria um nível adicional para cada coluna categórica. Quaisquer níveis no conjunto de dados de teste que não estejam disponíveis no conjunto de dados de formação são mapeados para este nível adicional.

Saída

Nome Tipo Descrição
Modelo destreinado Interface ILearner Um modelo de classificação binária não treinado que pode ser ligado aos módulos One-vs-All Multiclass, Train Modelou Cross-Validate Model.

Ver também

Classificação
Lista de Módulos A-Z