Karar Ormanı Regresyonu
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- makine öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
- Azure Machine Learninghakkında daha fazla bilgi edinin.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Karar ormanı algoritmasını kullanarak regresyon modeli oluşturur
Kategori: model Başlat-gerileme
Not
uygulama hedefi: yalnızca Machine Learning Studio (klasik)
benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.
Modüle genel bakış
bu makalede, karar ağaçlarının bir listesini temel alan bir regresyon modeli oluşturmak için Machine Learning Studio 'da (klasik) karar ormanı gerileme modülünün nasıl kullanılacağı açıklanır.
Modeli yapılandırdıktan sonra, etiketli bir veri kümesi ve model eğitimi modülünü kullanarak modeli eğmeniz gerekir. Daha sonra eğitilen model, tahminleri yapmak için kullanılabilir. Alternatif olarak, bir etiketli veri kümesine karşı çapraz doğrulama için eğitimli olmayan model çapraz doğrulama modeline geçirilebilir.
Karar ormanları, regresyon görevlerinde nasıl çalışır?
Karar ağaçları, her bir örnek için bir dizi basit test gerçekleştiren ve bir yaprak düğümüne (karar) kadar bir ikili ağaç veri yapısına geçiş yapan, parametrik olmayan modellerdir.
Karar ağaçları şu avantajları sunar:
Eğitim ve tahmin sırasında hem hesaplama hem de bellek kullanımında etkilidir.
Bunlar, doğrusal olmayan karar sınırlarını temsil edebilirler.
Tümleşik Özellik seçimi ve sınıflandırması gerçekleştirirler ve gürültülü Özellikler olması halinde esnektir.
Bu regresyon modeli, karar ağaçlarının bir listesini içerir. Regresyon kararı ormanındaki her bir ağaç, bir tahmin olarak bir Gauss dağılımı çıktı. Modeldeki tüm ağaçlar için Birleşik dağıtıma en yakın bir Gauss dağılımı bulmak üzere ağaçları bir toplama işlemi gerçekleştirilir.
bu algoritmanın ve uygulamasının teorik çerçevesi hakkında daha fazla bilgi için şu makaleye bakın: karar verme ormanları: sınıflandırma, gerileme, yoğunluk tahmini, bildirim eski Learning ve Semi-Supervised için birleştirilmiş bir çerçeve Learning
Karar ormanı regresyon modelini yapılandırma
Deneme için karar ormanı gerileme modülünü ekleyin. modülü Machine Learning, modeli başlatve gerilemealtında Studio 'da (klasik) bulabilirsiniz.
Modül özelliklerini açın ve yeniden örnekleme yöntemiiçin, bireysel ağaçları oluşturmak için kullanılan yöntemi seçin. Bagging veya çoğaltmaseçeneklerinden birini belirleyebilirsiniz.
Bagging: Bagging de önyükleme toplamaolarak adlandırılır. Regresyon kararı ormanındaki her ağaç, tahmin yöntemiyle bir Gauss dağılımı çıkarır. Toplama, her iki dakika, tek tek ağaçlar tarafından döndürülen tüm Gaussians birleştirilerek verilen Gaussians 'in karışımındaki süre ile eşleşen bir Gauss bulmadır.
Daha fazla bilgi için bkz. önyükleme toplamaIçin Vikipedi girişi.
Çoğaltma:çoğaltmadaki her ağaç, tam olarak aynı giriş verilerinde eğitilir. Her ağaç düğümü için hangi bölünmüş koşulun kullanıldığını belirleme rasgele kalır ve ağaçlar birbirinden farklı olur.
çoğalt seçeneğiyle eğitim süreci hakkında daha fazla bilgi için bkz . Görüntü İşleme ve tıbbi görüntü analizi için karar ormanları. Criminisi ve J. Shotton. Sprte 2013..
Model oluşturma modunu ayarlayarak modelin eğitilme şeklini belirleyin.
Tek parametre
Modeli nasıl yapılandırmak istediğinizi biliyorsanız bağımsız değişken olarak belirli bir değer kümesi sağlayabilirsiniz. Bu değerleri deneme göre öğrenmiş veya bunları kılavuz olarak almış olabilirsiniz.
Parametre aralığı
En iyi parametrelerden emin değilseniz, en iyi yapılandırmayı bulmak için birden çok değer belirterek ve bir parametre süpürme kullanarak en uygun parametreleri bulabilirsiniz.
Model hiper parametreleri ayarlama , belirttiğiniz ayarların tüm olası birleşimlerinin yineleyeceğini ve en iyi sonuçları üreten ayarların birleşimini belirlemenizi sağlar.
Karar ağaçları sayısıiçin, tam olarak birleştirmek üzere oluşturulacak karar ağacının toplam sayısını belirtin. Daha fazla karar ağacı oluşturarak daha iyi tedarik sağlayabilirsiniz, ancak eğitim süresi artar.
İpucu
Bu değer aynı zamanda eğitilen modeli görselleştirirken gösterilecek ağaç sayısını da denetler. tek bir ağacı görmek veya yazdırmak isterseniz, değeri 1 olarak ayarlayabilirsiniz. Bununla birlikte, bu, yalnızca bir ağacın üretileceği (ilk parametre kümesini içeren ağaç) ve başka bir yinelemenin gerçekleştirilmeyeceği anlamına gelir.
Karar ağaçlarının maksimum derinliğiiçin, herhangi bir karar ağacının maksimum derinliğini sınırlamak üzere bir sayı yazın. Ağacın derinliğini artırmak, bazı fazla sığdırma ve daha fazla eğitim süresi riskinde duyarlık artırabilir.
Düğüm başına rastgele bölme sayısıiçin, ağacın her düğümünü oluştururken kullanılacak bölme sayısını yazın. Bölünmüş , ağaç (node) düzeyindeki özelliklerin rastgele bölündüğü anlamına gelir.
Yaprak düğüm başına minimum örnek sayısıiçin, bir ağaçta herhangi bir Terminal düğümü (yaprak) oluşturmak için gereken minimum durum sayısını belirtin.
Bu değeri artırarak, yeni kurallar oluşturma eşiğini artırırsınız. Örneğin, varsayılan 1 değeri ile tek bir durum bile yeni bir kuralın oluşturulmasına neden olabilir. Değeri 5 ' e artırırsanız eğitim verilerinin aynı koşulları karşılayan en az 5 durum içermesi gerekir.
Eğitim veya doğrulama kümelerinde bilinmeyen değerler için bir grup oluşturmak üzere kategorik özellikler için bilinmeyen değerlere Izin ver seçeneğini belirleyin.
Bu seçeneğin işaretini kaldırırsanız model yalnızca eğitim verilerinde bulunan değerleri kabul edebilir. Önceki durumda, model bilinen değerler için daha az kesin olabilir, ancak yeni (bilinmeyen) değerler için daha iyi tahminler sağlayabilir.
etiketli bir veri kümesi Bağlan, ikiden fazla sonuç içeren tek etiketli bir sütun seçin ve modeli eğitme veya model hiper parametrelerini ayarla' ya bağlanın.
Tek parametreyebir eğitmen modu seçeneği ayarlarsanız, modeli eğitme modülünü kullanarak modeli eğitme.
Parametre aralığınaoluşturma eğitmen modu seçeneğini ayarlarsanız modeli Ayarla hiper parametrelerinikullanarak modeli eğitme.
Denemeyi çalıştırın.
Sonuçlar
Eğitim tamamlandıktan sonra:
Her yinelemede oluşturulan ağacı görmek için eğitim modülünün çıktısına sağ tıklayın ve Görselleştir' i seçin.
Her bir düğümün kurallarını görmek için her bir ağaca tıklayın ve bölünmeleri inceleyin.
Traind modelinin anlık görüntüsünü kaydetmek için eğitim modülünün çıktısına sağ tıklayın ve eğitilen model olarak kaydet' i seçin. Modelin bu kopyası, denemenin art arda çalıştırmaları üzerinde güncelleştirilmedi.
Örnekler
regresyon modellerinin örnekleri için Cortana Intelligence Galleryşu örnek denemeleri bakın:
Regresyon modellerini karşılaştırın örnek: birçok farklı gerileme modeli karşıtlıkları.
Yaklaşım analizi örneği: tahmin edilen derecelendirmeler oluşturmak için birkaç farklı regresyon modeli kullanır.
Teknik notlar
Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır.
Modeli Eğiteetmekiçin bir parametre aralığı geçirirseniz, parametre aralığı listesindeki yalnızca ilk 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 kullanın.
Parametre aralığı seçeneğini belirleyin ve herhangi bir parametre için tek bir değer girerseniz, belirtilen tek değer, diğer parametrelerin bir değer aralığı üzerinde değişse bile, tarama boyunca kullanılacaktır.
Kullanım ipuçları
Sınırlı veriniz varsa veya modeli eğitmek için harcanan süreyi en aza indirmek istiyorsanız, şu ayarları deneyin:
Sınırlı eğitim kümesi. Eğitim kümesi sınırlı sayıda örnek içeriyorsa:
Çok sayıda karar ağacı kullanarak karar ormanını oluşturun (örneğin, 20 ' den fazla)
Yeniden örnekleme için Bagging seçeneğini kullanın
Düğüm başına çok sayıda rastgele bölme belirtin (örneğin, 1000 ' den fazla)
Sınırlı eğitim süresi. Eğitim kümesi çok sayıda örnek içeriyorsa ve eğitim süresi sınırlıysa:
Daha az sayıda karar ağacının kullanıldığı karar ormanını oluşturun (örneğin, 5-10)
Yeniden örnekleme için Çoğalt seçeneğini kullanın
Düğüm başına az sayıda rastgele bölme belirtin (örneğin, 100 'den az)
Modül parametreleri
| Name | Aralık | Tür | Varsayılan | Description |
|---|---|---|---|---|
| Yeniden örnekleme yöntemi | herhangi biri | ResamplingMethod | İlişkilendirme | Yeniden örnekleme yöntemi seçin |
| Karar ağacının sayısı | >değer | Tamsayı | 8 | Ensede oluşturmak için karar ağacının sayısını belirtin |
| Karar ağaçlarının maksimum derinliği | >değer | Tamsayı | 32 | Ensede oluşturulabilecek herhangi bir karar ağacının maksimum derinliğini belirtin |
| Düğüm başına rastgele bölme sayısı | >değer | Tamsayı | 128 | En uygun bölünmeden seçilen düğüm başına oluşturulan bölme sayısını belirtin |
| Yaprak düğüm başına minimum örnek sayısı | >değer | Tamsayı | 1 | Yaprak düğüm oluşturmak için gereken en düşük eğitim örneği sayısını belirtin |
| Kategorik özellikler için bilinmeyen değerlere izin ver | herhangi biri | Boole | true | Var olan kategorik özelliklerin bilinmeyen değerlerinin yeni, ek bir özellikle eşleştirilemeyeceğini belirtin |
Çıkışlar
| Ad | Tür | Description |
|---|---|---|
| Eğitilen model | ILearner arabirimi | Eğitilen regresyon modeli |