Perceptron moyenné à deux classes
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Crée un modèle de classification binaire Averaged Perceptron
catégorie : Machine Learning/initialiser le modèle/la Classification
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
cet article explique comment utiliser le module Perceptron avec une moyenne à deux classes dans Machine Learning Studio (classic) pour créer un modèle de Machine Learning basé sur l’algorithme Perceptron moyen.
Cet algorithme de classification constitue une méthode d’apprentissage supervisée et nécessite un jeu de données avec balises, qui inclut une colonne d’étiquette. Vous pouvez effectuer l’apprentissage du modèle en fournissant le modèle et le DataSet balisé en tant qu’entrée pour l' apprentissage du modèle ou l' optimisation des hyperparamètres de modèle. Le modèle formé peut ensuite être utilisé pour prédire des valeurs pour les nouveaux exemples d’entrées.
En savoir plus sur les modèles Perceptron calculés en moyenne
La méthode Perceptron moyenne est une version précoce et très simple d’un réseau neuronal. Dans cette approche, les entrées sont classées en plusieurs sorties possibles selon une fonction linéaire, puis combinées avec un ensemble de poids dérivés du vecteur de fonctionnalité, d’où le nom « perceptron ».
Les modèles Perceptron les plus simples sont adaptés à l’apprentissage des modèles séparables de façon linéaire, tandis que les réseaux neuronaux (surtout les réseaux neuronaux profonds) peuvent modéliser des limites entre les classes plus complexes. Toutefois, les modules Perceptron sont plus rapides, et étant donné qu’ils traitent les cas en série, ils peuvent être utilisés avec une formation continue.
Comment configurer Perceptron moyenné à deux classes
Ajoutez le module Perceptron avec une moyenne à deux classes à votre expérience dans Studio (Classic).
Spécifiez le mode d’apprentissage du modèle en définissant l’option Créer un mode d’apprentissage.
Single Parameter (Paramètre unique) : si vous savez comment vous voulez configurer le modèle, fournissez un ensemble spécifique de valeurs en tant qu’arguments.
Plage de paramètres: Si vous n’êtes pas sûr des meilleurs paramètres, recherchez les paramètres optimaux en spécifiant plusieurs valeurs et en utilisant le module régler le modèle hyperparamètres pour trouver la configuration optimale. L’instructeur effectue une itération sur plusieurs combinaisons de paramètres que vous avez fournies et détermine la combinaison des valeurs qui produit le meilleur modèle.
Pour Taux d’apprentissage, spécifiez une valeur pour le taux d’apprentissage. Le taux d'apprentissage contrôle la taille du pas utilisé dans la descente de gradient stochastique chaque fois que le modèle est testé et corrigé.
En réduisant ce taux, vous testez le modèle plus souvent, avec le risque de rester bloqué dans un plateau local. En l’augmentant, vous pouvez converger plus rapidement, au risque de dépasser les minima réels.
Pour Nombre maximal d’itérations, entrez le nombre de fois où vous voulez que l’algorithme examine les données de formation.
L’arrêt précoce offre une meilleure généralisation, la plupart du temps. L’augmentation du nombre d’itérations améliore l’ajustement, mais présente un risque de surajustement.
Pour Valeur de départ numérique aléatoire, vous pouvez éventuellement saisir un entier comme valeur initiale. L’utilisation d’un seed est recommandée si vous souhaitez garantir la reproductibilité de l’essai au cours des exécutions.
Sélectionnez l’option autoriser les niveaux catégoriques inconnus pour créer un groupe de valeurs inconnues dans les jeux d’apprentissage et de validation. Le modèle risque d’être moins précis pour les valeurs connues, mais il pourra fournir de meilleures prédictions pour les nouvelles valeurs (inconnues).
Si cette option est désélectionnée, le modèle n’accepte que les valeurs contenues dans les données d’apprentissage.
Connecter un jeu de données d’apprentissage et l’un des modules de formation:
Si vous définissez Créer un mode d’apprentissage sur Paramètre unique, utilisez le module Entraîner le du modèle.
Si vous définissez Créer mode de formateur sur Plage de paramètres, utilisez le module Optimiser les hyperparamètres du modèle.
Notes
Si vous transmettez une plage de paramètres au module Entraîner le modèle, il utilise uniquement la première valeur dans la liste de plages de paramètres.
Si vous transmettez un ensemble unique de valeurs de paramètre au module Optimiser les hyperparamètres du modèle, quand il attend une plage de paramètres pour chaque paramètre, il ignore les valeurs et utilise les valeurs par défaut pour l’apprenant.
Si vous sélectionnez l’option Plage de paramètres et que vous entrez une valeur unique pour un paramètre, cette valeur unique que vous avez spécifiée est utilisée tout au long du balayage, même si d’autres paramètres changent sur une plage de valeurs.
Résultats
Une fois l’apprentissage terminé :
- Pour afficher un résumé des paramètres du modèle, ainsi que les poids des fonctionnalités acquises à partir de la formation, cliquez avec le bouton droit sur la sortie du modèle de formation ou Réglez les hyperparamètres du modèle.
Exemples
Pour obtenir des exemples d’utilisation de cet algorithme d’apprentissage, consultez la Azure ai Gallery:
- Exemple de validation croisée pour les classifieurs binaires: compare plusieurs modèles de classification.
Notes techniques
Cette section contient des détails, des conseils et des réponses aux questions fréquentes concernant l’implémentation.
Conseils d’utilisation
Pour ce type de modèle, il est recommandé de normaliser les jeux de données avant de les utiliser pour former le classifieur. Pour connaître les options de normalisation, consultez normaliser les données.
Le modèle Perceptron moyenné est une version préliminaire simplifiée des réseaux neuronaux. À ce titre, il est parfaitement adapté aux jeux de données simples quand vous privilégiez la vitesse sur la précision. Toutefois, si vous n’obtenez pas les résultats souhaités, essayez l’un des modèles suivants :
Réseau neuronal à deux classes ou réseau neuronal multiclasse
Régression logistique à deux classes ou régression logistique multiclasse
Paramètres du module
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Taux d’apprentissage | >=double.Epsilon | Float | 1.0 | Taux d’apprentissage initial pour l’optimiseur de descente de gradient stochastique. |
| Nombre maximal d'itérations | >=1 | Integer | 10 | Nombre d'itérations de descente de gradient stochastique à effectuer sur le jeu de données d'apprentissage. |
| Valeur initiale de nombre aléatoire | Quelconque | Integer | Valeur initiale pour le générateur de nombres aléatoires utilisé par le modèle. Laissez le champ vide pour utiliser la valeur par défaut. | |
| Autoriser les niveaux catégoriels inconnus | Quelconque | Boolean | True | Si la valeur est true, un niveau supplémentaire est créé pour chaque colonne catégorielle. Tous les niveaux du jeu de données de test qui ne sont pas disponibles dans le jeu de données d'apprentissage sont mappés à ce niveau supplémentaire. |
Output
| Nom | Type | Description |
|---|---|---|
| Untrained model (Modèle non entraîné) | Interface ILearner | Modèle de classification binaire non formé qui peut être connecté aux modules de modèle One-vs-All multiCLASS, former un modèleou effectuer une validation croisée . |