Perceptrón promedio de dos clases
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Crea un modelo de clasificación binaria de perceptrón promedio
Categoría: Machine Learning / Inicializar modelo / Clasificación
Nota:
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
Información general sobre el módulo
En este artículo se describe cómo usar el módulo Perceptrón promedio de dos clases en Machine Learning Studio (clásico) para crear un modelo de aprendizaje automático basado en el algoritmo perceptrón promedio.
Este algoritmo de clasificación es un método de aprendizaje supervisado y requiere un conjunto de datos etiquetado, que incluya una columna de etiqueta. Puede entrenar el modelo proporcionando el modelo y el conjunto de datos etiquetado como entrada para Entrenar modelo o Optimizar hiperparámetros del modelo. Después, el modelo entrenado puede utilizarse para predecir valores para los nuevos ejemplos de entrada.
Más información sobre los modelos de perceptrón promediados
El método perceptrón promediado es una versión temprana y muy sencilla de una red neuronal. En este enfoque, las entradas se clasifican en varias posibles salidas según una función lineal y, a continuación, se combinan con un conjunto de pesos que se derivan del vector de característica, de ahí, el nombre "perceptrón".
Los modelos de perceptrón más sencillos son adecuados para aprender patrones separables linealmente, mientras que las redes neuronales (especialmente las redes neuronales profundas) pueden modelar límites de clase más complejos. Sin embargo, los perceptrones son más rápidos y, puesto que procesan los casos en serie, pueden usarse en el entrenamiento continuo.
Procedimiento para configurar el perceptrón promedio de dos clases
Agregue el módulo Perceptrón promedio de dos clases al experimento en Studio (clásico).
Especifique cómo quiere que se entrene el modelo, estableciendo la opción Create trainer mode (Crear modo entrenador).
Single Parameter (Parámetro único): Si sabe cómo quiere configurar el modelo, proporcione un conjunto específico de valores como argumentos.
Intervalo de parámetros: si no está seguro de los mejores parámetros, busque los parámetros óptimos especificando varios valores y usando el módulo Optimizar hiperparámetros del modelo para encontrar la configuración óptima. El instructor recorre en iteración varias combinaciones de la configuración proporcionada y determina la combinación de valores que genera el mejor modelo.
En Velocidad de aprendizaje, especifique un valor para la velocidad de aprendizaje. El valor de la velocidad de aprendizaje controla el tamaño del paso que se utiliza en descenso de gradiente estocástico cada vez que se prueba y se corrige el modelo.
Al disminuir la velocidad, se prueba el modelo más a menudo, con el riesgo de que pueda quedarse atascado en un nivel local. Al aumentar el paso, puede convergir con mayor rapidez, con el riesgo de superar los mínimos verdaderos.
En Maximum number of iterations (Número máximo de iteraciones), escriba el número de veces que desea que el algoritmo examine los datos de entrenamiento.
Si se detiene pronto proporciona, a menudo, una mejor generalización. Aumentar el número de iteraciones mejora el ajuste, con riesgo de sobreajuste.
En Random number seed (Inicialización de número aleatorio), escriba opcionalmente un valor de entero que se usará como inicialización. Se recomienda usar una inicialización si desea garantizar la reproducibilidad del experimento a través de las ejecuciones.
Seleccione la opción Permitir niveles de categorías desconocidos para crear un grupo para valores desconocidos en los conjuntos de entrenamiento y validación. El modelo podría ser menos preciso con valores conocidos, pero puede proporcionar mejores predicciones para los valores nuevos (desconocidos).
Si desactiva esta opción, el modelo puede aceptar únicamente los valores que se encuentran en los datos de entrenamiento.
Conectar un conjunto de datos de entrenamiento y uno de los módulos de entrenamiento:
Si establece Create trainer mode (Crear modo entrenador) en Single Parameter (Parámetro único), use el módulo Entrenar modelo.
Si establece Create trainer mode (Crear modo entrenador) para Parameter Range (Intervalo de parámetros), use el módulo Optimizar los hiperparámetros del modelo.
Nota:
Si pasa un intervalo de parámetros a Entrenar modelo, solo utiliza el primer valor en la lista del intervalo de parámetros.
Si pasa un único conjunto de valores de parámetro al módulo Optimizar los hiperparámetros del modelo, cuando espera un intervalo de valores para cada parámetro, omite los valores y usa los valores predeterminados para el aprendiz.
Si selecciona la opción Parameter Range (Intervalo de parámetros) y especifica un valor único para algún parámetro, ese valor único que haya especificado se utilizará en todo el barrido, incluso si otros parámetros cambian en un intervalo de valores.
Results
Una vez completado el entrenamiento:
- Para ver un resumen de los parámetros del modelo, junto con los pesos de características aprendidos en el entrenamiento, haga clic con el botón derecho en la salida de Train Model (Entrenar modelo) o Tune Model Hyperparameters (Optimizar hiperparámetros del modelo).
Ejemplos
Para obtener ejemplos de cómo se usa este algoritmo de aprendizaje, consulte el Azure AI Gallery:
- Ejemplo de validación cruzada para clasificadores binarios: compara varios modelos de clasificación.
Notas técnicas
Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.
Consejos de uso
Para este tipo de modelo, es una práctica recomendada normalizar los conjuntos de datos antes de usarlos para entrenar al clasificador. Para ver las opciones de normalización, consulte Normalize Data (Normalizar datos).
El modelo de perceptrón promedio es una versión primeriza y simplificada de las redes neuronales. Por lo tanto, funciona bien en los conjuntos de datos simples cuando el objetivo es la velocidad, en lugar de la precisión. Sin embargo, si no está obteniendo los resultados deseados, pruebe uno de estos modelos:
Regresión logística de dos clases oregresión logística multiclase
Two-Class Boosted Decision Tree (Árbol de decisión promovido por dos clases)
Parámetros del módulo
| Nombre | Intervalo | Tipo | Valor predeterminado | Descripción |
|---|---|---|---|---|
| Velocidad de aprendizaje | >=double.Epsilon | Float | 1,0 | Velocidad de aprendizaje inicial para el optimizador de descenso de gradiente estocástico. |
| Número máximo de iteraciones | >=1 | Entero | 10 | El número de iteraciones de descenso de gradiente estocástico que se pueden realizar sobre el conjunto de datos de entrenamiento. |
| Valor de inicialización de números aleatorios | Any | Entero | La inicialización para el generador de números aleatorios usado por el modelo. Déjelo en blanco para usar el valor predeterminado. | |
| Permitir niveles de categorías desconocidos | Any | Boolean | True | Si es True, crea un nivel adicional para cada columna de categoría. Los niveles del conjunto de datos de prueba que no están disponibles en el conjunto de datos de entrenamiento se asignan a este nivel adicional. |
Output
| Nombre | Tipo | Descripción |
|---|---|---|
| Modelo no entrenado | Interfaz ILearner | Un modelo de clasificación binaria sin entrenar que se puede conectar a los módulos Uno frente a todos multiclase, Train Model o Cross-Validate Model . |