Escolher parâmetros para otimizar os algoritmos no Machine Learning Studio (clássico)

APLICA-SE A: Machine Learning Studio (clássico) Azure Machine Learning

Importante

O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).

• Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
• Saiba mais sobre o Azure Machine Learning

A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Este tópico descreve como escolher o hiperparâmetro correto definido por um algoritmo no Machine Learning Studio (clássico). A maioria dos algoritmos de Machine Learning tem parâmetros para serem definidos. Ao treinar um modelo, você precisa fornecer valores para esses parâmetros. A eficácia do modelo treinado depende dos parâmetros do modelo que você escolhe. O processo de localizar o melhor conjunto de parâmetros é conhecido como seleção de modelo.

Há várias maneiras de realizar a seleção de modelo. No machine learning, a validação cruzada é um dos métodos mais amplamente usados para seleção de modelos e é o mecanismo de seleção de modelo padrão no Machine Learning Studio (clássico). Como o Machine Learning Studio (clássico) dá suporte a R e Python, você sempre pode implementar seus mecanismos de seleção de modelo usando R ou Python.

Há quatro etapas no processo de localizar o melhor conjunto de parâmetros:

1. Defina o espaço de parâmetro: para o algoritmo, primeiro decida os valores de parâmetro exatos que você quer considerar.
2. Definir as configurações de validação cruzada: decida como escolher dobras de validação cruzada no conjunto de dados.
3. Definir métrica: decida qual métrica deve ser usada para determinar o melhor conjunto de parâmetros, como precisão, erro de raiz quadrada média, precisão, recall ou pontuação f.
4. Treinar, avaliar e comparar: para cada combinação exclusiva de valores de parâmetros, a validação cruzada é executada por e com base na métrica de erro que você definir. Após a avaliação e a comparação, você pode escolher o modelo com melhor desempenho.

A imagem a seguir ilustra como fazer isso no Machine Learning Studio (clássico).

Definir o espaço de parâmetro

Você pode configurar o parâmetro definido na etapa de inicialização de modelo. O painel de parâmetro de todos os algoritmos de aprendizado de máquina tem dois modos de instrutor: Parâmetro Único e Intervalo de Parâmetros. Escolha o modo de Intervalo de Parâmetros. No modo de intervalo de parâmetros, você pode inserir vários valores para cada parâmetro. Você pode inserir valores separados por vírgula na caixa de texto.

Como alternativa, você pode definir os pontos mínimo e máximo da grade e o número total de pontos a serem gerados com Usar Criador de Intervalo. Por padrão, os valores de parâmetro são gerados em uma escala linear. Porém, se a opção Escala Logarítmica estiver marcada, os valores serão gerados em escala logarítmica (ou seja, a taxa dos pontos adjacentes será constante em vez da diferença). Para parâmetros de inteiros, você pode definir um intervalo usando um hífen. Por exemplo, "1-10" significa que todos os números inteiros entre 1 e 10 (ambos incluídos) formam o conjunto de parâmetros. Um modo misto também tem suporte. Por exemplo, o conjunto de parâmetros "1-10, 20, 50" incluiria os inteiros 1-10, 20 e 50.

Definir dobras de validação cruzada

O módulo Partição e Exemplo pode ser usado para atribuir dobras aos dados aleatoriamente. No exemplo de configuração a seguir para o módulo, definimos cinco dobras e atribuímos aleatoriamente um número de dobras para as instâncias de amostra.

Definir a métrica

O módulo Ajustar Hiperparâmetros do Modelo dá suporte à escolha empírica do melhor conjunto de parâmetros para um determinado algoritmo e conjunto de dados. Além de outras informações sobre o treinamento do modelo, o painel Propriedades deste módulo inclui a métrica para determinar o melhor conjunto de parâmetros. Ele tem duas caixas de listagem suspensas diferentes para algoritmos de classificação e regressão, respectivamente. Se o algoritmo em questão for de classificação, a métrica de regressão será ignorada e vice-versa. Neste exemplo específico, a métrica é Precisão.

Treinar, avaliar e comparar

O mesmo módulo Ajustar Hiperparâmetros de Modelo treina todos os modelos que correspondem ao conjunto de parâmetros, avalia diversas métricas e cria o modelo com melhor treinamento com base na métrica que você escolher. Este módulo tem duas entradas obrigatórias:

• O aprendiz não treinado
• O conjunto de dados

O módulo também tem uma entrada de conjunto de dados opcional. Conecte o conjunto de dados com informações de dobra à entrada obrigatória do conjunto de dados. Se o conjunto de dados não for atribuído às informações de dobra, uma validação cruzada de 10 dobras será executada automaticamente por padrão. Se a atribuição de dobra não for feita e um conjunto de dados de validação for indicado na porta opcional do conjunto de dados, um modo de treinamento de teste escolhido e o primeiro conjunto de dados serão usados para treinar o modelo em cada combinação de parâmetros.

Então, o modelo é avaliado no conjunto de dados de validação. A porta de saída à esquerda do módulo mostra métricas diferentes como funções de valores de parâmetro. A porta de saída à direita fornece o modelo treinado que corresponde ao modelo de melhor desempenho, de acordo com a métrica escolhida (Precisão, nesse caso).

Você pode ver os parâmetros exatos escolhidos visualizando a porta de saída à direita. Esse modelo pode ser usado na pontuação de um conjunto de teste ou em um serviço Web operacionalizado depois de salvá-lo como um modelo treinado.