Çok Sınıflı Karar Ormanı

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 öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
• Daha fazla bilgi Azure Machine Learning.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Karar algoritmasını kullanarak çok sınıflı sınıflandırma modeli oluşturur

Kategori: Machine Learning / Modeli Başlatma / Sınıflandırma

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Modüle genel bakış

Bu makalede, Machine Learning Studio'daki (klasik) Çok Sınıflı Karar Modülü'nin, karar aldırma adı verilen denetimli öğrenme algoritmasını temel alan bir makine öğrenmesi modeli oluşturmak için nasıl kullanılası açıklanmıştır.

Modeli ve parametrelerini bu modülü kullanarak tanımlar ve ardından eğitim modüllerinden birini kullanarak modeli eğitmek için etiketli bir eğitim veri kümesine bağlanabilirsiniz. Eğitilen model, birden çok değeri olan bir hedefi tahmin etmek için kullanılabilir.

Karar verme hakkında daha fazla bilgi

Karar ormanları , karar ormanlarının son uzantılarıdır. Karar topluluğu, karara yönlendiren bir grup zamansız grafdan (DAG) oluşur.

Karar kararlarını aşağıdaki avantajlara sahiptir:

• Ağaç dallarının birleştirilmesine izin vererek, karar DAG'sinde genellikle daha düşük bir bellek ayak izi ve karar ağacına göre daha iyi bir genelleştirme performansı olur, ancak eğitim süresi biraz daha yüksek olur.

• Karar ormanları, doğrusal olmayan karar sınırlarını temsil eden asimetrik olmayan modellerdir.

• Tümleşik özellik seçimi ve sınıflandırması gerçekleştirler ve gürültülü özelliklerin varlığına karşı daha fazla karşılarına çıkarlar.

Bu makine öğrenmesi algoritmasının ardındaki araştırma hakkında daha fazla bilgi için bkz . Karar Grupları: Sınıflandırma için Küçük ve Zengin Modeller (indirilebilir PDF).

Çok Sınıflı Karar Modeli yapılandırma

1. Studio'da (klasik) denemenize Çok Sınıflı Karar Modülü'ünü ekleyin. Bu modülü Machine Learning, Modeli Başlatve Sınıflandırma altındabulabilirsiniz.

2. Özellikler bölmesini açmak için modüle çift tıklayın.

3. Yeniden örnekleme yönteminde, birden çok ağaç (etiketleme veya çoğaltma) oluşturmak için yöntemini seçin.

   • Etiketleme: Bootstrap toplama olarak da adlandırılan etiketlemeyi kullanmak için bu seçeneği belirleyin.

     Karar ormanında bulunan her ağaç, tahmine göre Gauss dağılımı verir. Toplama, ilk iki dakikası tek tek ağaçlarla döndürülen tüm Gaussluları birleştirerek verilen Gaussluların karışımının anları ile eşleşen bir Gausslu bulmaktır.

   • Çoğaltma: Çoğaltmayı kullanmak için bu seçeneği belirleyin. Bu yöntemde, her ağaç tam olarak aynı giriş verileri üzerinde eğitilmiş olur. Her bir ağaç düğümü için hangi bölmenin hangi bölmenin kullanılı olduğu belirlemesi rastgele kalır, bu nedenle çeşitli ağaçlar oluşturulur.

4. Eğitimci modu oluştur seçeneğini ayarerek modelin nasıl eğitilsin?

   • Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız bu seçeneği kullanın.

   • Parametre Aralığı: En iyi parametrelerden emin değilseniz ve parametre tarama kullanmak istemiyorsanız bu seçeneği kullanın.

5. Karar DAG'lerinin sayısı: Grup içinde oluşturulacak en fazla grafik sayısını gösterir.

6. Karar DAG'lerinin maksimum derinliği: Her grafın maksimum derinliğini belirtin.

7. Karar DAG'lerinin maksimum genişliği: Her grafın maksimum genişliğini belirtin.

8. Karar DAG katmanı başına iyileştirme adımı sayısı: Her DAG'yi oluştururken veriler üzerinde kaç yineleme gerçekleştireceklerini gösterir.

9. Kategorik özellikler için bilinmeyen değerlere izin ver: Test veya doğrulama verisindeki bilinmeyen değerler için bir grup oluşturmak için bu seçeneği belirleyin. Model, bilinen değerler için daha az kesin olabilir, ancak yeni (bilinmeyen) değerler için daha iyi tahminler sağlar.

   Bu seçeneğin seçimini kaldırsanız, model yalnızca eğitim verisinde mevcut olan değerleri kabul eder.

10. Bağlan veri kümesi ve eğitim modüllerinden birini kullanın:

    • Eğitimci modu oluştur'a TekParametre olarak ayarlanırsa Modeli Eğit modülünü kullanın.

    • Eğitmen modu oluştur ayarını Parametre Aralığı olarak ayarlarsanız Model Ayarlama Hiper parametreleri modülünü kullanın. Bu seçenekle algoritma, sağlanan ayarların birden çok bileşimini tekrarlar ve en iyi modeli üreten değerlerin birleşimini belirler.

    Not

    Modeli Eğit'e bir parametre aralığı iletirsiniz, parametre aralığı listesinde yalnızca ilk değeri kullanır.

    Model Ayarlama Hiperparametreleri modülüne tek bir parametre değeri kümesi iletirsiniz; her parametre için bir dizi ayar bekliyorsa, değerleri yoksayır ve öğrenciler için varsayılan değerleri kullanır.

    Parametre Aralığı seçeneğini belirtir ve herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığında değişse bile, belirttiğiniz tek değer tarama boyunca kullanılır.

11. Denemeyi çalıştırın.

Sonuçlar

Eğitim tamamlandıktan sonra:

• Modeli puanlama için kullanmak üzere Modeli Puanlama'ya bağarak yeni giriş örneklerinin değerlerini tahmin etmek için kullanın.

Örnekler

Karar ormanlarının makine öğrenmesinde nasıl kullanıldıklarına ilişkin örnekler için bkz . Azure Yapay Zeka Galerisi:

• Çok Sınıflı Sınıflandırıcıları Karşılaştırma örneği: Çeşitli algoritmalar kullanır ve bunların artılarını ve dezavantajlarını açıklar.

Teknik notlar

Bu bölümde uygulama ayrıntıları, ipuçları ve sık sorulan soruların yanıtları yer almaktadır.

İlgili araştırma

Çoğalt seçeneğiyle eğitim süreci hakkında daha fazla bilgi için bkz:

• Görüntü görüntü ve tıbbi görüntü analizi için karar ormanları. Criminisi ve Shotton. Springer 2013

Kullanım ipuçları

Sınırlı verileriniz varsa veya modeli eğitmek için harcanan zamanı en aza indirmek için şu önerileri deneyin:

Sınırlı eğitim kümesi

Eğitim kümesi sınırlı sayıda örnek içeriyorsa:

• Çok sayıda karar DAG'sini (örneğin, 20'den fazla) kullanarak karar kararlarını oluşturun
• Yeniden örnekleme için Etiketleme seçeneğini kullanın.
• DAG katmanı başına çok sayıda iyileştirme adımı belirtin (örneğin, 10.000'den fazla).

Sınırlı eğitim süresi

Eğitim kümesi çok sayıda örnek içeriyorsa ve eğitim süresi sınırlıdır:

• Daha az sayıda karar DAG'sini (örneğin, 5-10) kullanan karar ormanı oluşturun.
• Yeniden örnekleme için Çoğalt seçeneğini kullanın.
• DAG katmanı başına daha az sayıda iyileştirme adımı belirtin (örneğin, 2000'den az).

Modül parametreleri

Name	Aralık	Tür	Varsayılan	Description
Yeniden örnekleme yöntemi	Herhangi biri	ResamplingMethod	Torbalama	Yeniden örnekleme yöntemi seçme
Karar DAG'lerinin sayısı	>=1	Tamsayı	8	Grup içinde oluşturulacak karar graflarının sayısını belirtin
Karar DAG'lerinin maksimum derinliği	>değer	Tamsayı	32	En yüksek derinlik grafik derinliğini belirleme
Karar verenleri için maksimum genişlik	>= 8	Tamsayı	128	En büyük genişliği oluşturmak için karar grafiklerinin genişliğini belirtin
Karar DAG katmanı başına en iyi duruma getirme adımı sayısı	>= 1000	Tamsayı	2048	Karar grafiklerinin her düzeyini iyileştirmek için kullanılacak adımların sayısını belirtin
Kategorik özellikler için bilinmeyen değerlere izin ver	Herhangi biri	Boole	Doğru	Var olan kategorik özelliklerin bilinmeyen değerlerinin yeni, ek bir özellikle eşleştirilemeyeceğini belirtin

Çıkışlar

Ad	Tür	Description
Eğitilen model	ILearner arabirimi	Eğitilen birden çok sınıf sınıflandırma modeli

Ayrıca bkz.

İki sınıf karar Jungle
Sınıflandırma
A-Z modül listesi