Two-Class komponent för neuralt nätverk
Den här artikeln beskriver en komponent i Azure Machine Learning-designern.
Använd den här komponenten för att skapa en neural nätverksmodell som kan användas för att förutsäga ett mål som bara har två värden.
Klassificering med neurala nätverk är en övervakad inlärningsmetod och kräver därför en taggad datauppsättning som innehåller en etikettkolumn. Du kan till exempel använda den här neurala nätverksmodellen för att förutsäga binära utfall, till exempel om en patient har en viss sjukdom eller om en dator sannolikt kommer att misslyckas inom en angiven tidsperiod.
När du har definierat modellen tränar du den genom att ange en taggad datauppsättning och modellen som indata till Träna modell. Den tränade modellen kan sedan användas för att förutsäga värden för nya indata.
Mer om neurala nätverk
Ett neuralt nätverk är en uppsättning sammankopplade lager. Indata är det första lagret och är anslutna till ett utdatalager med ett acykliskt diagram som består av viktade kanter och noder.
Mellan indata- och utdataskikten kan du infoga flera dolda lager. De flesta förutsägande uppgifter kan utföras enkelt med bara ett eller några dolda lager. Ny forskning har dock visat att djupa neurala nätverk (DNN) med många lager kan vara effektiva i komplexa uppgifter som bild- eller taligenkänning. De efterföljande lagren används för att modellera ökande nivåer av semantiskt djup.
Relationen mellan indata och utdata lärs från träning av det neurala nätverket på indata. Grafens riktning fortsätter från indata via det dolda lagret och till utdatalagret. Alla noder i ett lager är anslutna via viktade kanter till noder i nästa lager.
För att beräkna nätverkets utdata för en viss indata beräknas ett värde på varje nod i de dolda lagren och i utdatalagret. Värdet anges genom att beräkna den viktade summan av nodernas värden från föregående lager. En aktiveringsfunktion tillämpas sedan på den viktade summan.
Konfigurera
Lägg till komponenten Neurala nätverk med två klasser i pipelinen. Du hittar den här komponenten under Maskininlärning, Initiera i kategorin Klassificering .
Ange hur du vill att modellen ska tränas genom att ange alternativet Skapa träningsläge .
Enskild parameter: Välj det här alternativet om du redan vet hur du vill konfigurera modellen.
Parameterintervall: Om du inte är säker på de bästa parametrarna kan du hitta de optimala parametrarna med hjälp av komponenten Tune Model Hyperparameters . Du anger vissa värden och utbildaren itererar över flera kombinationer av inställningarna för att fastställa kombinationen av värden som ger det bästa resultatet.
För specifikation av dolt lager väljer du vilken typ av nätverksarkitektur som ska skapas.
Fullständigt anslutet ärende: Använder standardarkitekturen för neurala nätverk som definierats för neurala nätverk i två klasser enligt följande:
Har ett dolt lager.
Utdatalagret är helt anslutet till det dolda lagret och det dolda lagret är helt anslutet till indatalagret.
Antalet noder i indatalagret är lika med antalet funktioner i träningsdata.
Antalet noder i det dolda lagret anges av användaren. Standardvärdet är 100.
Antalet noder är lika med antalet klasser. För ett neuralt nätverk med två klasser innebär det att alla indata måste mappas till en av två noder i utdatalagret.
För Inlärningstakt definierar du storleken på det steg som tas vid varje iteration före korrigering. Ett större värde för inlärningsfrekvensen kan göra att modellen konvergerar snabbare, men den kan överskrida lokal minima.
För Antal iterationer för inlärning anger du det maximala antalet gånger som algoritmen ska bearbeta träningsfallen.
För Den inledande utbildningsviktsdiametern anger du nodvikterna i början av inlärningsprocessen.
För Momentum anger du en vikt som ska tillämpas under inlärning för noder från tidigare iterationer
Välj alternativet Blanda exempel för att blanda ärenden mellan iterationer. Om du avmarkerar det här alternativet bearbetas ärenden i exakt samma ordning varje gång du kör pipelinen.
För Slumptalsutsäde anger du ett värde som ska användas som startvärde.
Det är användbart att ange ett startvärde när du vill säkerställa repeterbarhet för körningar av samma pipeline. Annars används ett systemklockavärde som startvärde, vilket kan orsaka något olika resultat varje gång du kör pipelinen.
Lägg till en märkt datauppsättning i pipelinen och träna modellen:
Om du anger Skapa träningsläge till Enskild parameter ansluter du en taggad datauppsättning och komponenten Träna modell .
Om du ställer in Skapa träningsläge på Parameterintervall ansluter du en taggad datauppsättning och tränar modellen med hjälp av Tune Model Hyperparameters.
Anteckning
Om du skickar ett parameterintervall till Träna modell används endast standardvärdet i listan med enskilda parametrar.
Om du skickar en enda uppsättning parametervärden till komponenten Tune Model Hyperparameters ignorerar den värdena när den förväntar sig ett intervall med inställningar för varje parameter och använder standardvärdena för eleven.
Om du väljer alternativet Parameterintervall och anger ett enda värde för valfri parameter används det enskilda värdet som du angav under svepningen, även om andra parametrar ändras över ett värdeintervall.
Skicka pipelinen.
Resultat
När träningen är klar:
Om du vill spara en ögonblicksbild av den tränade modellen väljer du fliken Utdata på den högra panelen i komponenten Träna modell . Välj ikonen Registrera datauppsättning för att spara modellen som en återanvändbar komponent.
Om du vill använda modellen för bedömning lägger du till komponenten Poängsätta modell i en pipeline.
Nästa steg
Se den uppsättning komponenter som är tillgängliga för Azure Machine Learning.