İki Sınıflı Ortalaması Alınmış Perceptron

Ortalama Perceptron ikili sınıflandırma modeli oluşturur

Kategori: model/sınıflandırmayı Machine Learning/Başlat

Not

Için geçerlidir: Machine Learning Studio (klasik)

Bu içerik yalnızca Studio (klasik) ile ilgili. Benzer sürükle ve bırak modülleri bir tasarımcıya Azure Machine Learning eklendi. İki sürümü karşılaştıran bu makalede daha fazla bilgi bulabilirsiniz.

Modüle genel bakış

Bu makalede, ortalama Perceptron algoritmaya dayalı bir makine öğrenimi modeli oluşturmak için Azure Machine Learning Studio (klasik) ' de Iki sınıftaki ortalama Perceptron modülünün nasıl kullanılacağı açıklanır.

Bu sınıflandırma algoritması denetimli bir öğrenme yöntemidir ve etiket sütunu içeren etiketli bir veri kümesi gerektirir. Modeli eğitmek veya model hiper parametrelerini ayarlamakiçin bir giriş olarak modeli ve etiketli veri kümesini sağlayarak modeli eğitebilirsiniz. Eğitilen model daha sonra yeni giriş örneklerinin değerlerini tahmin etmek için kullanılabilir.

Ortalama Perceptron modelleri hakkında daha fazla bilgi

Ortalama Perceptron yöntemi , bir sinir ağının erken ve çok basit sürümüdür. Bu yaklaşımda girişler, doğrusal bir işleve göre birkaç olası çıkış halinde sınıflandırılır ve sonra özellik vektöründen türetilmiş bir ağırlık kümesiyle birleştirilir, bu nedenle "Perceptron" adı.

Daha basit Perceptron modelleri öğrenerek doğrusal desenleri öğrenirken, sinir Networks (özellikle derin sinir ağlar) daha karmaşık sınıf sınırlarını modelleyebilir. Ancak, perceptrons daha hızlıdır ve servis taleplerini hizmet olarak işledikleri için, perceptrons sürekli eğitim ile kullanılabilir.

Two-Class ortalama Perceptron yapılandırma

  1. Iki sınıftaki ortalama Perceptron modülünü Studio 'daki denemenize ekleyin (klasik).

  2. Model oluşturma modunu ayarlayarak modelin eğitilme şeklini belirleyin.

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

    • Parametre aralığı: en iyi parametrelerden emin değilseniz, en uygun yapılandırmayı bulmak için birden çok değer belirterek ve model hiper parametrelerini ayarla modülünü kullanarak en iyi parametreleri bulun. Bu, verdiğiniz ayarların birden çok kombinasyonu üzerinde dolaşır ve en iyi modeli üreten değerlerin birleşimini belirler.

  3. Öğrenme oranı için öğrenme oranı için bir değer belirtin. Öğrenme oranı değerleri, her model test edildiğinde ve düzeltildiğinde, stochastik degradede kullanılan adımın boyutunu denetler.

    Hızı daha az yaparak, yerel bir Play 'de kalmış olabileceğiniz riskle modeli daha sık test edersiniz. Adımı daha büyük yaparak, doğru Minima 'yı aşırı atma riskine göre daha hızlı bir şekilde yakınsama yapabilirsiniz.

  4. En fazla yineleme sayısı için, algoritmanın eğitim verilerini incelemesi için kaç kez istediğinizi yazın.

    Erken durdurma daha iyi Genelleştirme sağlar. Yineleme sayısının artırılması, fazla sığdırma riski altında sığdırmayı geliştirir.

  5. Rastgele sayı çekirdek için, isteğe bağlı olarak, çekirdek olarak kullanılacak bir tamsayı değeri yazın. Çalıştırmanın çalışmalarından reproducibility emin olmak istiyorsanız çekirdek kullanılması önerilir.

  6. Eğitim ve doğrulama kümelerinde bilinmeyen değerler için bir grup oluşturmak üzere Bilinmeyen kategorik düzeylerine Izin ver seçeneğini belirleyin. Model, bilinen değerler için daha az kesin olabilir, ancak yeni (bilinmiyor) değerler için daha iyi tahminler sağlayabilir.

    Bu seçeneğin işaretini kaldırırsanız model yalnızca eğitim verilerinde bulunan değerleri kabul edebilir.

  7. Eğitim veri kümesini ve eğitim modüllerdenbirini bağlayın:

    Not

    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 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.

Sonuçlar

Eğitim tamamlandıktan sonra:

Örnekler

Bu öğrenme algoritmasının nasıl kullanıldığına ilişkin örnekler için Azure yapay zeka Galerisibakın:

Teknik notlar

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

Kullanım ipuçları

Bu model türü için, sınıflandırıcının eğitimi için kullanılmadan önce veri kümelerini normalleştirmek en iyi uygulamadır. Normalleştirme seçenekleri için bkz. verileri Normalleştir.

Ortalama Perceptron modeli, sinir Networks 'un erken ve basitleştirilmiş bir sürümüdür. Bu nedenle, hedefiniz doğrulukta hızlandığınızda basit veri kümelerinde iyi sonuç verir. Ancak, istenen sonuçları alamıyorsanız şu modellerden birini deneyin:

Modül parametreleri

Name Aralık Tür Varsayılan Description
Öğrenme oranı >= Double. Upsilon Float 1.0 Stochastic gradyanı ilgili iyileştiricinin ilk öğrenme oranı.
En fazla yineleme sayısı >= 1 Tamsayı 10 Eğitim veri kümesi üzerinden gerçekleştirilecek Stochastic gradyan olarak yineleme sayısı.
Rastgele sayı çekirdek Herhangi biri Tamsayı Model tarafından kullanılan rastgele sayı oluşturucusunun çekirdek. Varsayılan değer olarak boş bırakın.
Bilinmeyen kategorik düzeylerine izin ver Herhangi biri Boole Doğru Doğru ise, her kategorik sütun için ek bir düzey oluşturur. Test veri kümesindeki eğitim veri kümesinde kullanılamayan tüm düzeyler bu ek düzeyle eşleştirilir.

Çıktı

Ad Tür Description
Eğitilen model ILearner arabirimi Bire karşı hepsi çoklu sınıf, modeli eğitmeveya çapraz doğrulama modeli modülleri ile bağlantılı olabilecek, eğitilmiş bir ikili sınıflandırma modeli.

Ayrıca bkz.

Sınıflandırmaya
A-Z modül listesi