Gemiddeld perceptron met twee klassen
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
Hiermee maakt u een gemiddeld binair classificatiemodel perceptron
Categorie: Machine Learning/ Model/classificatie initialiseren
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
Moduleoverzicht
In dit artikel wordt beschreven hoe u de module Two-Class Averaged Perceptron in Machine Learning Studio (klassiek) gebruikt om een machine learning-model te maken op basis van het gemiddelde perceptron-algoritme.
Dit classificatiealgoritme is een leermethode onder supervisie en vereist een gelabelde gegevensset, die een labelkolom bevat. U kunt het model trainen door het model en de getagde gegevensset op te geven als invoer voor Train Model of Tune Model Hyperparameters. Het getrainde model kan vervolgens worden gebruikt om waarden voor de nieuwe invoervoorbeelden te voorspellen.
Meer informatie over gemiddeld perceptron-modellen
De gemiddelde perceptronmethode is een vroege en zeer eenvoudige versie van een neuraal netwerk. Bij deze benadering worden invoergegevens geclassificeerd in verschillende mogelijke uitvoer op basis van een lineaire functie en vervolgens gecombineerd met een set gewichten die zijn afgeleid van de functievector, vandaar de naam 'perceptron'.
De eenvoudigere perceptron-modellen zijn geschikt voor het leren van lineair gescheiden patronen, terwijl neurale netwerken (met name deep neural networks) complexere klassengrenzen kunnen modelleren. Perceptrons zijn echter sneller en omdat ze cases serieel verwerken, kunnen perceptrons worden gebruikt met continue training.
Het configureren Two-Class Averaged Perceptron
Voeg de module Two-Class Averaged Perceptron toe aan uw experiment in Studio (klassiek).
Geef op hoe u het model wilt trainen door de optie Trainer-modus maken in te stellen.
Enkele parameter: Als u weet hoe u het model wilt configureren, geeft u een specifieke set waarden op als argumenten.
Parameterbereik: als u niet zeker bent van de beste parameters, kunt u de optimale parameters vinden door meerdere waarden op te geven en de module Tune Model Hyperparameters te gebruiken om de optimale configuratie te vinden. De docent doorsteert meerdere combinaties van de instellingen die u hebt opgegeven en bepaalt de combinatie van waarden die het beste model produceren.
Geef Learning een waarde op voor de leersnelheid. De waarden voor leersnelheid bepaalt de grootte van de stap die wordt gebruikt in stochastische gradiëntafdaling telkens als het model wordt getest en gecorrigeerd.
Door de snelheid te verminderen, test u het model vaker, met het risico dat u vastloopt in een lokaal plafond. Door de stap groter te maken, kunt u sneller convergeren, met het risico dat u de echte minima overschreed.
Bij Maximum aantal iteraties typt u het aantal keren dat het algoritme de trainingsgegevens moet onderzoeken.
Vroeg stoppen biedt vaak betere generalisatie. Het verhogen van het aantal iteraties verbetert de fitheid, met het risico op overfitting.
Voor Seed met willekeurige getallen typt u desgewenst een geheel getal dat als seed moet worden gebruikt. Het gebruik van een seed wordt aanbevolen als u de reproduceerbaarheid van het experiment tussen runs wilt garanderen.
Selecteer de optie Onbekende categorische niveaus toestaan om een groep te maken voor onbekende waarden in de trainings- en validatiesets. Het model is mogelijk minder nauwkeurig voor bekende waarden, maar kan betere voorspellingen geven voor nieuwe (onbekende) waarden.
Als u deze optie uitselecteert, kan het model alleen de waarden accepteren die zijn opgenomen in de trainingsgegevens.
Verbinding maken een trainingsset en een van de trainingsmodules:
Als u de modus Create train mode instelt op Single Parameter, gebruikt u de module Train Model .
Als u De modus Maken in stelt op Parameterbereik, gebruikt u de module Tune Model Hyperparameters .
Notitie
Als u een parameterbereik doorgeeft aan Train Model, wordt alleen de eerste waarde in de lijst met parameterbereiken gebruikt.
Als u één set parameterwaarden doorgeeft aan de module Tune Model Hyperparameters , worden de waarden genegeerd en worden de standaardwaarden voor de learner genegeerd wanneer er een bereik van instellingen voor elke parameter wordt verwacht.
Als u de optie Parameterbereik selecteert en één waarde voor een parameter ingeeft, wordt die ene waarde die u hebt opgegeven, gebruikt tijdens het opruimen, zelfs als andere parameters binnen een bereik van waarden veranderen.
Resultaten
Nadat de training is voltooid:
- Klik met de rechtermuisknop op de uitvoer van Hyperparameterstrainen of Model afstemmen om een samenvatting te zien van de parameters van het model, samen met de functiegewichten die zijn geleerd tijdens de training.
Voorbeelden
Zie de volgende voorbeelden van hoe dit leeralgoritme wordt Azure AI Gallery:
- Kruisvalidatie voor voorbeeld van binaire classificaties: vergelijkt meerdere classificatiemodellen.
Technische opmerkingen
Deze sectie bevat implementatiedetails, tips en antwoorden op veelgestelde vragen.
Gebruikstips
Voor dit modeltype is het een best practice gegevenssets te normaliseren voordat ze worden gebruikt om de classificatie te trainen. Zie Gegevens normaliseren voor normaliseringsopties.
Het gemiddelde perceptronmodel is een vroege en vereenvoudigde versie van neurale netwerken. Als zodanig werkt het goed voor eenvoudige gegevenssets wanneer uw doel snelheid boven nauwkeurigheid is. Als u echter niet de gewenste resultaten krijgt, probeert u een van deze modellen:
Neuraal netwerk met twee klassen ofneuraal netwerk met meerdere klassen
Logistieke regressie met twee klassen oflogistieke regressie met meerdere klassen
Moduleparameters
| Name | Bereik | Type | Standaard | Beschrijving |
|---|---|---|---|---|
| Leersnelheid | >= dubbel. Epsilon | Float | 1.0 | De initiële leersnelheid voor de optimalisatie van stochastische gradiëntafding. |
| Maximumaantal iteraties | >= 1 | Geheel getal | 10 | Het aantal stochastische gradiëntafdaling-iteraties dat moet worden uitgevoerd voor de trainingsset. |
| Seed van willekeurig getal | Alle | Geheel getal | De seed voor de generator voor willekeurige getallen die door het model wordt gebruikt. Laat deze leeg voor de standaardinstelling. | |
| Onbekende categorische niveaus toestaan | Alle | Boolean-waarde | True | Als de optie Waar is, wordt er een extra niveau voor elke categorische kolom gemaakt. Alle niveaus in de testset die niet beschikbaar zijn in de trainingsset, worden toegewezen aan dit extra niveau. |
Uitvoer
| Naam | Type | Description |
|---|---|---|
| Niet-getraind model | ILearner-interface | Een ongetraind binair classificatiemodel dat kan worden verbonden met de modules One-vs-All Multiclass, Train Model of Cross-Validate Model . |