Two-Class desteği vektör makinesi modülü

Bu makalede Azure Machine Learning tasarımcısında bir modül açıklanmaktadır.

Destek vektör makinesi algoritmasına dayalı bir model oluşturmak için bu modülü kullanın.

Destek vektör makineleri (SVMs), denetimli bir öğrenme yöntemlerinin iyi bir şekilde araştırdığı bir sınıftır. Bu belirli uygulama, sürekli veya kategorik değişkenlere bağlı olarak iki olası sonucu tahmin etmek için uygundur.

Model parametrelerini tanımladıktan sonra eğitim modüllerini kullanarak modeli eğitme ve bir etiket ya da sonuç sütunu içeren etiketli bir veri kümesi sağlama.

Destek vektör makineleri hakkında

Destek vektörü makineler, makine öğrenimi algoritmalarının en üstünde bulunur ve SVM modelleri birçok uygulamada, bilgi alımı metin ve resim sınıflandırmasına kadar kullanılır. SVMs, hem sınıflandırma hem de gerileme görevleri için kullanılabilir.

Bu SVM modeli, etiketli veri gerektiren bir denetimli öğrenme modelidir. Eğitim sürecinde, algoritma giriş verilerini analiz eder ve hiper düzlem adlı çok boyutlu bir özellik alanında desenleri tanır. Tüm giriş örnekleri bu alandaki işaret olarak temsil edilir ve bu şekilde, kategorilerin geniş olarak bölünmesi ve mümkün olduğunca bir boşluğu temizlemek üzere çıkış kategorilerine eşlenir.

Tahmin için SVM algoritması, yeni örnekleri bir kategoriye veya diğerine atar ve bunları aynı alanla eşleştiriyor.

Yapılandırma

Bu model türü için, sınıflandırıcının eğitimi için kullanmadan önce veri kümesini normalleştirmeniz önerilir.

  1. Iki sınıf destek vektör makinesi modülünü ardışık düzene ekleyin.

  2. Model oluşturma modunu ayarlayarak modelin eğitilme şeklini belirleyin.

    • Tek parametre: modeli nasıl yapılandırmak istediğinizi biliyorsanız bağımsız değişken olarak belirli bir değer kümesi sağlayabilirsiniz.

    • Parametre aralığı: en iyi parametrelerden emin değilseniz, model hiper parametrelerini ayarla modülünü kullanarak en iyi parametreleri bulabilirsiniz. Birkaç değer aralığı sağlarsınız ve en iyi sonucu üreten değerlerin birleşimini öğrenmek için eğitmen ayarların birden fazla birleşimine yinelenir.

  3. Yineleme sayısı için model oluşturulurken kullanılan yineleme sayısını belirten bir sayı yazın.

    Bu parametre, eğitim hızı ve doğruluk arasındaki dengelemeyi denetlemek için kullanılabilir.

  4. Lambda Için, L1 düzenleme için ağırlık olarak kullanılacak bir değer yazın.

    Bu düzenleme katsayısı modeli ayarlamak için kullanılabilir. Daha büyük değerler daha karmaşık modellerin sıztı.

  5. Eğitim öncesi özellikleri normalleştirmek istiyorsanız, özellikleri Normalleştir seçeneğini belirleyin.

    Normalleştirme uygularsanız, eğitimin üzerinden veri noktaları ortalandı ve bir standart sapma birimine sahip olacak şekilde ölçeklendirilir.

  6. Katsayılarını normalleştirmek için, birim küreden proje seçeneğini belirleyin.

    Değerleri birim alanına yansıtma, eğitimin, veri noktalarının 0 ' dan ortalanmasını ve bir standart sapma birimine sahip olacak şekilde ölçeklendirilmesi anlamına gelir.

  7. Rastgele sayı çekirdeği ' nde, reproducibility 'in çalışmasına emin olmak istiyorsanız çekirdek olarak kullanılacak bir tamsayı değeri yazın. Aksi takdirde, bir sistem saati değeri çekirdek olarak kullanılır, bu da çalışma genelinde biraz farklı sonuçlara neden olabilir.

  8. Etiketli bir veri kümesini bağlayın ve modeli eğitme:

    • Tek parametre için bir görüntü oluşturma modu ayarlarsanız, etiketli bir veri kümesini ve model eğitimi modülünü bağlayın.

    • Parametre aralığına oluşturma , bir etiketli veri kümesini bağlama ve modeli Ayarla hiper parametrelerinikullanarak modeli eğitme.

    Not

    Modeli Eğiteetmekiçin bir parametre aralığı geçirirseniz, tek parametre listesindeki yalnızca varsayılan değeri kullanır.

    Tek bir parametre değerleri kümesini ayarlama modeli hiper parametreleri modülüne geçirirseniz, her parametre için bir dizi ayar beklerken, değerleri yoksayar ve öğrenici için varsayılan değerleri kullanır.

    Parametre aralığı seçeneğini belirleyip herhangi bir parametre için tek bir değer girerseniz, belirtilen tek değer, diğer parametrelerin bir değer aralığı üzerinde değişse bile, tarama boyunca kullanılır.

  9. İşlem hattını gönderme.

Sonuçlar

Eğitim tamamlandıktan sonra:

  • Eğitilen modelin anlık görüntüsünü kaydetmek için model eğitimi modülünün sağ panelindeki çıktılar sekmesini seçin. Modeli yeniden kullanılabilir bir modül olarak kaydetmek için veri kümesini kaydet simgesini seçin.

  • Puanlama için modeli kullanmak üzere, bir işlem hattına puan modeli modülünü ekleyin.

Sonraki adımlar

Azure Machine Learning için kullanılabilen modül kümesine bakın.