İki Sınıflı Ortalaması Alınmış Perceptron
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.
Ortalama Perceptron ikili sınıflandırma modeli oluşturur
kategori: Model/sınıflandırmayı Machine Learning/başlat
Not
uygulama hedefi: yalnızca Machine Learning Studio (klasik)
benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.
Modüle genel bakış
bu makalede, ortalama Perceptron algoritmaya dayalı bir makine öğrenimi modeli oluşturmak için Machine Learning Studio 'da (klasik) iki sınıftaki ortalama Perceptron modülünün nasıl kullanılacağı açıklanır.
Bu sınıflandırma algoritması denetimli bir öğrenme yöntemidir ve etiket sütunu içeren etiketli bir veri kümesigerektirir. 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
Iki sınıftaki ortalama Perceptron modülünü Studio 'daki denemenize ekleyin (klasik).
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.
Learning hıziçin öğrenme oranıiçin 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.
En fazla yineleme sayısıiçin, algoritmanın eğitim verilerini incelemesi için kaç kez istediğinizi yazın.
Erken durdurma daha iyi Genelleştirme sağlar. Yineleme sayısının artırılması, fazla sığdırma riski altında sığdırmayı geliştirir.
Rastgele sayı çekirdekiçin, isteğe bağlı olarak, çekirdek olarak kullanılacak bir tamsayı değeri yazın. Çalıştırmanın çalışmalarından reproducibility emin olmak istiyorsanız çekirdek kullanılması önerilir.
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.
eğitim veri kümesini ve eğitim modüllerindenbirini Bağlan:
Tek parametreyeoluşturma ve ayarlama modunu ayarlarsanız, model eğitme modülünü kullanın.
Parametre aralığınaoluşturma sağlayan bir mod ayarlarsanız, model hiper parametrelerini ayarla modülünü kullanın.
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:
- Modellerden öğrenilen Özellik ağırlıklarla birlikte modelin parametrelerinin özetini görmek için, model eğitme veya model Hyperparameters 'ı ayarlamaçıktısına sağ tıklayın.
Örnekler
Bu öğrenme algoritmasının nasıl kullanıldığına ilişkin örnekler için Azure yapay zeka Galerisibakın:
- Ikili sınıflandırıcılar Için çapraz doğrulama örneği: birden çok sınıflandırma modelini karşılaştırır.
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 | >değer | 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 , TrainModel veya Cross-Validate Model modüllerine bağlanan eğitilmemiş ikili sınıflandırma modeli. |