Komponenta Perceptron se dvěma třídami průměrně
Tento článek popisuje komponentu v návrháři služby Azure Machine Learning.
Tato komponenta slouží k vytvoření modelu strojového učení na základě průměrného algoritmu perceptronu.
Tento klasifikační algoritmus je metoda učení pod dohledem a vyžaduje označenou datovou sadu, která obsahuje sloupec popisku. Model můžete trénovat poskytnutím modelu a označené datové sady jako vstupu pro trénování modelu. Vytrénovaný model se pak dá použít k predikci hodnot pro nové vstupní příklady.
O průměrovaných modelech perceptronu
Průměrná perceptronová metoda je časná a jednoduchá verze neurální sítě. V tomto přístupu se vstupy klasifikují do několika možných výstupů na základě lineární funkce a pak se zkombinují se sadou vah, které jsou odvozené z vektoru funkce – tedy název "perceptron".
Jednodušší modely perceptronu jsou vhodné pro lineární oddělování vzorů, zatímco neurální sítě (zejména hluboké neurální sítě) můžou modelovat složitější hranice tříd. Perceptrony jsou však rychlejší a protože zpracovávají případy sériově, lze perceptrony použít s průběžným trénováním.
Konfigurace perceptronu se dvěma třídami
Přidejte komponentu Perceptron se dvěma třídami do kanálu.
Určete, jak chcete model trénovat, nastavením možnosti Vytvořit režim trenéra.
Jeden parametr: Pokud víte, jak chcete model nakonfigurovat, zadejte jako argumenty konkrétní sadu hodnot.
Rozsah parametrů: Tuto možnost vyberte, pokud si nejste jisti nejlepšími parametry a chcete spustit úklid parametrů. Vyberte rozsah hodnot, který chcete iterovat, a Hyperparametry modelu tunes iteruje přes všechny možné kombinace nastavení, která jste zadali k určení hyperparametrů, které vytvářejí optimální výsledky.
Pro rychlost učení zadejte hodnotu pro rychlost učení. Hodnoty rychlosti učení řídí velikost kroku, který se používá ve stochastickém gradientním sestupu při každém otestování a opravě modelu.
Tím, že rychlost zmenšíte, model otestujete častěji s rizikem, že byste se mohli zaseknout v místní plošině. Tím, že krok zvětšíte, můžete konvergovat rychleji, při riziku přehození skutečné minima.
Pro maximální počet iterací zadejte počet, kolikrát má algoritmus zkoumat trénovací data.
Zastavení v rané fázi často poskytuje lepší generalizaci. Zvýšení počtu iterací zlepšuje fitování, při riziku přeurčení.
Pro počáteční hodnotu náhodného čísla volitelně zadejte celočíselnou hodnotu, která se má použít jako počáteční hodnota. Pokud chcete zajistit reprodukovatelnost kanálu napříč spuštěními, doporučuje se použít počáteční hodnoty.
Připojení trénovací datové sady a trénování modelu:
Pokud nastavíte režim Vytvořit trenéra na Jeden parametr, připojte označenou datovou sadu a komponentu Train Model .
Pokud nastavíte režim Vytvořit trenéra na rozsah parametrů, připojte označenou datovou sadu a vytrénujte model pomocí hyperparametrů ladění modelu.
Poznámka:
Pokud do trénování modelu předáte rozsah parametrů, použije pouze výchozí hodnotu v seznamu parametrů.
Pokud předáte jednu sadu hodnot parametrů komponentě Tune Model Hyperparameters , pokud očekává rozsah nastavení pro každý parametr, ignoruje hodnoty a použije výchozí hodnoty pro žáka.
Pokud vyberete možnost Rozsah parametrů a zadáte jednu hodnotu pro libovolný parametr, použije se v rámci úklidu zadaná jedna hodnota, i když se v rozsahu hodnot změní jiné parametry.
Další kroky
Podívejte se na sadu komponent dostupných pro Azure Machine Learning.