2-클래스 평균 퍼셉트론 구성 요소
이 문서에서는 Azure Machine Learning 디자이너의 구성 요소에 대해 설명합니다.
이 구성 요소를 사용하여 평균 퍼셉트론 알고리즘을 기반으로 기계 학습 모델을 만듭니다.
이 분류 알고리즘은 감독 학습 방법이며 레이블 열을 포함하는 태그가 지정된 데이터 세트가 필요합니다. 모델을 학습하기 위해 모델 및 태그가 지정된 데이터 집합을 학습 모델에 입력해서 제공할 수 있습니다. 그런 다음 학습된 모델을 사용하여 새 입력 예제의 값을 예측할 수 있습니다.
평균 퍼셉트론 모델 정보
평균 퍼셉트론 방법은 신경망의 초기 및 단순 버전입니다. 이 방법에서 입력은 선형 함수를 기반으로 가능한 여러 출력으로 분류된 다음 기능 벡터에서 파생된 가중치 집합과 결합되므로 이름은 "perceptron"입니다.
더 간단한 퍼셉트론 모델은 선형으로 분리 가능한 패턴을 학습하는 데 적합하지만 신경망(특히 심층 신경망)은 더 복잡한 클래스 경계를 모델링할 수 있습니다. 그러나 perceptrons는 더 빠르며 사례를 직렬로 처리하기 때문에 연속 학습과 함께 perceptrons를 사용할 수 있습니다.
2-클래스 평균 퍼셉트론을 구성하는 방법
파이프라인에 2-클래스 평균 퍼셉트론 구성 요소를 추가합니다.
트레이너 모드 만들기 옵션을 설정하여 모델을 학습시키려는 방법을 지정합니다.
단일 매개 변수: 모델 구성 방법을 알고 있는 경우 특정 값 세트를 인수로 제공합니다.
매개 변수 범위: 최적 매개 변수를 잘 모르는 상태에서 매개 변수 스윕을 실행하려면 이 옵션을 선택합니다. 반복할 값의 범위를 선택하면 모델 하이퍼 매개 변수 튜닝이 제공된 설정의 가능한 모든 조합을 반복하여 최적의 결과를 생성하는 하이퍼 매개 변수를 확인합니다.
학습 속도의 경우 학습 속도 값을 지정합니다. 학습 속도 값은 모델을 테스트하고 수정할 때마다 확률적 그라데이션 하강에 사용되는 단계의 크기를 제어합니다.
속도를 작게 함으로써 로컬 고원에 갇히게 될 위험이 있는 모델을 더 자주 테스트합니다. 단계를 더 크게 만들면 실제 미니마를 오버슈팅할 위험이 있으므로 더 빠르게 수렴할 수 있습니다.
최대 반복 횟수의 경우 알고리즘에서 학습 데이터를 검사할 횟수를 입력합니다.
조기 중지는 더 나은 일반화를 제공하는 경우가 많습니다. 반복 횟수를 늘리면 과잉 맞춤의 위험이 있는 맞춤이 향상됩니다.
난수 시드의 경우 필요에 따라 시드로 사용할 정수 값을 입력합니다. 실행 간에 파이프라인의 재현성을 보장하려면 초기값을 사용하는 것이 좋습니다.
학습 데이터 집합을 연결하고 모델을 학습합니다.
트레이너 모드 만들기를 단일 매개 변수로 설정하는 경우 태그가 지정된 데이터 세트와 모델 학습 구성 요소를 연결합니다.
트레이너 만들기 모드를 매개 변수 범위로 설정하는 경우 태그가 지정된 데이터 세트를 연결하고 모델 하이퍼 매개 변수 조정을 사용하여 모델을 학습시킵니다.
참고 항목
모델 학습에 매개 변수 범위를 전달하는 경우 단일 매개 변수 목록의 기본값만 사용합니다.
매개 변수 값의 단일 집합을 모델 하이퍼 매개 변수 조정 구성 요소에 전달하는 경우 각 매개 변수의 설정 범위를 예상할 때 해당 값을 무시하고 학습자의 기본값을 사용합니다.
매개 변수 범위 옵션을 선택하고 임의 매개 변수에 대해 단일 값을 입력하면 다른 매개 변수가 값 범위에서 변경되는 경우에도 지정한 단일 값이 스윕 전체에서 사용됩니다.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.