Двухклассовое усредненное восприятие

Создает модель двоичной классификации усредненного перцептрона.

Категория: машинное обучение/инициализация модели или классификации

Примечание

Применимо к: машинное обучение Studio (классическая модель)

Это содержимое относится только к Studio (классическая модель). Аналогичные модули перетаскивания были добавлены в конструктор Машинное обучение Azure. Дополнительные сведения см. в статье сравнение двух версий.

Обзор модуля

В этой статье описывается, как с помощью Машинное обучение Azure перцептрона Studio (классической) создать модель машинного обучения, основанную на алгоритме среднего перцептрона.

Этот алгоритм классификации является защищенным методом обучения и требует наличия набора данных с тегами, который включает столбец меток. Вы можете обучить модель, предоставив модель и набор данных с тегами в качестве входных данных для обучения модели или настройки параметров модели. Обученную модель затем можно использовать для прогнозирования значений новых входных примеров.

Дополнительные сведения о средних моделях перцептрона

Усредненный метод перцептрона является ранней и очень простой версией нейронной сети. При таком подходе входные данные классифицируются на несколько возможных выходов на основе линейной функции, а затем объединяются с набором весов, которые являются производными от вектора признаков, поэтому имя «перцептрона».

Более простые модели перцептрона подходят для обучения линейно отделяемых шаблонов, тогда как нейронные сети (особенно глубокие нейронные сети) могут моделировать более сложные границы класса. Однако перцептроны работают быстрее, и их можно использовать в непрерывном обучении, так как перцептроны обрабатывают случаи последовательно.

Как настроить Two-Class среднего перцептрона

  1. Добавьте модуль перцептрона, основанный на двух классах , к эксперименту в студии (классическая модель).

  2. Укажите, как должна быть обучена модель, установив параметр " создать режим инструктора ".

    • Один параметр: Если вы умеете настроить модель, предоставьте конкретный набор значений в качестве аргументов.

    • Диапазон параметров. Если вы не знаете наилучших параметров, найдите оптимальные параметры, указав несколько значений и используя модуль настройки параметров модели , чтобы найти оптимальную конфигурацию. Преподаватель выполняет перебор нескольких сочетаний указанных вами параметров и определяет сочетание значений, которые создают лучшую модель.

  3. Чтобы узнать частоту обучения, укажите значение для курса обучения. Значения скорости обучения контролируют размер шага, который используется в вероятностном градиентном спуске при каждом тестировании и изменении модели.

    Уменьшая скорость, вы тестируете модель чаще, с риском, который может быть задержан на локальном плато. При увеличении шага схождение будет выполняться быстрее, но появляется риск превышения истинного минимума.

  4. Для параметра Максимальное число итераций введите, сколько раз алгоритм должен проверять обучающие данные.

    Ранняя остановка часто обеспечивает лучшее обобщение. При повышении количества итераций улучшается подгонка, но при этом появляется риск возникновения лжевзаимосвязей.

  5. Для начального числа случайных чисел при необходимости введите целое значение, которое будет использоваться в качестве начального значения. Рекомендуется использовать начальное значение, если вы хотите обеспечить воспроизводимость эксперимента во время выполнения.

  6. Установите флажок Разрешить неизвестные уровни категорий , чтобы создать группу для неизвестных значений в обучающих и проверочных наборах. Модель может быть менее точной для известных значений, но она может предоставлять лучшие прогнозы для новых (неизвестных) значений.

    Если отменить выбор этого параметра, то модель может принимать только значения, содержащиеся в обучающих данных.

  7. Подключение набора данных для обучения и одного из обучающих модулей:

    • Если для параметра создать режим инструктора задано значение Single, используйте модуль обучение модели .

    • Если для параметра создать режим инструктора задать значение диапазон параметров, используйте модуль Настройка модели параметры .

    Примечание

    При передаче диапазона параметров для обучения моделииспользуется только первое значение из списка диапазонов параметров.

    Если передать один набор значений параметров в модуль настройки модели Настройка , когда он ожидает диапазон параметров для каждого параметра, он пропускает значения и использует значения по умолчанию для этого.

    Если выбрать параметр диапазон параметров и ввести одно значение для любого параметра, это единственное заданное значение будет использоваться во время очистки, даже если другие параметры меняются в диапазоне значений.

Результаты

После завершения обучения:

  • Чтобы просмотреть сводку по параметрам модели вместе с весовыми коэффициентами функций, полученными в ходе обучения, щелкните правой кнопкой мыши выходные данные « обучение модели » или « Настройка модели».

Примеры

Примеры использования этого алгоритма обучения см. в Коллекция решений ии Azure:

Технические примечания

В этом разделе содержатся сведения о реализации, советы и ответы на часто задаваемые вопросы.

Советы по использованию

Для этого типа модели рекомендуется нормализовать наборы данных перед использованием их для обучения классификатора. Параметры нормализации см. в разделе нормализация данных.

Модель усредненного перцептрона представляет собой раннюю и упрощенная версию нейронных сетей. Являясь таковой, она отлично подходит для простых наборов данных в случаях, когда главным приоритетом является скорость, а не точность. Однако если вы не получаете нужные результаты, попробуйте одну из следующих моделей:

Параметры модуля

Имя Диапазон Тип По умолчанию Описание
Скорость обучения >= double.Epsilon Float 1.0 Начальная скорость обучения для оптимизатора понижения стохастического градиента.
Максимальное число итераций >= 1 Целое число 10 Число итераций понижения стохастического градиента, которое необходимо выполнить над обучающим набором данных.
Начальное значение случайного числа Любой Целое число Начальное значение для генератора случайных чисел, используемого моделью. Чтобы использовать значение по умолчанию, оставьте это поле пустым.
Разрешить неизвестные категориальные уровни Любой Логическое значение True Если значение равно True, создается дополнительный уровень для каждого категориального столбца. Все уровни в тестовом наборе данных, недоступные в обучающем наборе, сопоставляются с этим дополнительным уровнем.

Выходные данные

Имя Type Описание
Необученная модель Интерфейс ILearner Обученная модель двоичной классификации, которая может быть подключена к модулям модели Многоклассовый классификатор "один — все", обучение моделиили перекрестной проверки .

См. также раздел

Обновлений
Список модулей в алфавитном порядке