Two-Class Bayes noktası makinesi
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.
Bir Bayes Point makinesi 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, eğitilen bir ikili sınıflandırma modeli oluşturmak için Machine Learning Studio 'da (klasik) iki sınıftaki bayes noktası makine modülünün nasıl kullanılacağı açıklanır.
Bu modüldeki algoritma, "Bayes Point Machine" adlı doğrusal sınıflandırmaya yönelik bir Bayema yaklaşımı kullanır. Bu algoritma, bir "Ortalama" sınıflandırıcı, Bayes noktası seçerek doğrusal sınıflandırıcılara ait teorik olarak en uygun Bayeeli ortalamasını (Genelleştirme performansı açısından) verimli bir şekilde yaklaştırır. Bayi noktası makinesi bir Bayeeli sınıflandırma modeli olduğundan, eğitim verilerine fazla ekleme yapmak çok açıktır.
daha fazla bilgi için bkz. Microsoft Machine Learning bloguna Chris bishop 'ın gönderisi: belirsizlik olmadan dayalı çıkarımı.
Two-Class Bayes noktası makinesini yapılandırma
Machine Learning Studio 'da (klasik), denemenize iki sınıftaki bayes noktası makine modülünü ekleyin. modülü Machine Learning, modeli başlat, sınıflandırmaaltında bulabilirsiniz.
Eğitim yinelemeleri sayısıiçin, ileti geçirme algoritmasının eğitim verileri üzerinde ne sıklıkla yineleme olduğunu belirtmek için bir sayı yazın. Genellikle, yineleme sayısı 5 – 100 aralığında bir değere ayarlanmalıdır.
Eğitim yinelemelerinin sayısı arttıkça tahmine göre daha da doğru tahminler; Ancak, eğitim daha yavaş olacaktır.
Çoğu veri kümesi için, varsayılan 30 eğitim yinelemesi ayarı, algoritmanın doğru öngörülere sahip olması için yeterlidir. Bazen daha az yineleme kullanılarak kesin tahminler yapılabilir. Son derece bağıntılı özelliklerle veri kümeleri için, daha fazla eğitim tekrarına yarar sağlayabilirsiniz.
Eğitim ve tahmine göre her örneğe sabit bir özellik veya sapma eklenmesini istiyorsanız, buseçeneği belirleyin.
Veriler zaten sabit bir özellik içermediği zaman bir sapma dahil edilmesi gerekir.
Bilinmeyen değerler için bir grup oluşturmak üzere kategorik özelliklerde bilinmeyen değerlere Izin verseçeneğini belirleyin.
Bu seçeneğin işaretini kaldırırsanız model yalnızca eğitim verilerinde bulunan değerleri kabul edebilir.
Bu seçeneği belirlerseniz ve bilinmeyen değerlere izin verirseniz, model bilinen değerler için daha az kesin olabilir, ancak yeni (bilinmiyor) değerler için daha iyi tahminler sağlayabilir.
Tren modeli modülünün bir örneğini ve eğitim verilerinizi ekleyin.
eğitim verilerini ve iki sınıflı bayes noktası makine modülünün çıkışını Model eğitme modülüne Bağlan ve etiket sütununu seçin.
Denemeyi çalıştırın.
Sonuçlar
Eğitim tamamlandıktan sonra, sonuçları görüntülemek için tren modeli modülünün çıktısına sağ tıklayın:
Modellerden öğrenilen Özellik ağırlıklarla birlikte modelin parametrelerinin özetini görmek için, Görselleştir' i seçin.
Modeli daha sonra kullanmak üzere kaydetmek için eğitim modeliçıktısına sağ tıklayın ve eğitilen model olarak kaydet' i seçin.
Tahminleri yapmak için, eğitilen modeli puan modeli modülüne giriş olarak kullanın.
Eğitimli olmayan model, etiketli bir veri kümesine karşı çapraz doğrulama için çapraz doğrulama modeline de geçirilebilir.
Örnekler
Machine Learning 'de Two-Class Bayes noktası makinesinin nasıl kullanıldığını görmek için Azure yapay zeka Galerisiaşağıdaki örnek denemeleri bakın:
- Ikili sınıflandırıcıları karşılaştırın: Bu örnek, birden çok iki sınıf sınıflandırıcıın kullanımını gösterir.
Teknik notlar
Bu bölüm, bu algoritmayla ilgili uygulama ayrıntılarını ve sık sorulan soruları içerir.
Özgün araştırmadan ve temel alınan teorik 'in ayrıntıları bu kağıda (PDF) sunulmuştur: Bayes Point Machines, Herbert, Graepe ve kase Bell
Ancak, bu uygulama özgün algoritmada çeşitli yollarla geliştirilmiştir:
Bu, beklenme yayma iletisi geçirme algoritmasını kullanır. Daha fazla bilgi için, yaklaşık Bayeme çıkarımı Için bir algoritma ailesibölümüne bakın.
Bir parametre süpürme gerekli değildir.
Bu yöntem verilerin normalleştirilmesini gerektirmez.
Bu geliştirmeler, Bayes noktası makine sınıflandırma modelinin daha sağlam ve kullanımı kolay hale getirir ve parametre ayarlamanın zaman alan adımını atlayabilirsiniz.
Modül parametreleri
| Name | Aralık | Tür | Varsayılan | Description |
|---|---|---|---|---|
| Eğitim yinelemesi sayısı | >değer | Tamsayı | 30 | Eğitim sırasında kullanılacak yineleme sayısını belirtin |
| Farkı dahil et | Herhangi biri | Boole | Doğru | Her örneğe sabit bir özellik veya sapma eklenip eklenmeyeceğini belirtin |
| Kategorik özelliklerde bilinmeyen değerlere 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 | Eğitilen ikili sınıflandırma modeli |