Componente Regressão de Rede Neural
Cria um modelo de regressão usando um algoritmo de rede neural
Categoria: Machine Learning / Modelo de inicialização / Regressão
Visão geral do componente
Este artigo descreve um componente no designer do Azure Machine Learning.
Use este componente para criar um modelo de regressão usando um algoritmo de rede neural personalizável.
Embora as redes neurais sejam amplamente conhecidas pelo uso em aprendizagem profunda e modelagem de problemas complexos, como reconhecimento de imagem, elas são facilmente adaptadas a problemas de regressão. Qualquer classe de modelos estatísticos pode ser denominada uma rede neural se eles usam pesos adaptativos e podem aproximar funções não lineares de suas entradas. Assim, a regressão de rede neural é adequada para problemas em que um modelo de regressão mais tradicional não pode se adequar a uma solução.
A regressão de rede neural é um método de aprendizagem supervisionada e, portanto, requer um conjunto de dados marcado, que inclui uma coluna de rótulo. Como um modelo de regressão prevê um valor numérico, a coluna do rótulo deve ser um tipo de dados numéricos.
Você pode treinar o modelo fornecendo o modelo e o conjunto de dados marcados como uma entrada para Train Model. O modelo treinado pode então ser usado para prever valores para os novos exemplos de entrada.
Configurar regressão de rede neural
As redes neurais podem ser amplamente personalizadas. Esta seção descreve como criar um modelo usando dois métodos:
Criar um modelo de rede neural usando a arquitetura padrão
Se você aceitar a arquitetura de rede neural padrão, use o painel Propriedades para definir parâmetros que controlam o comportamento da rede neural, como o número de nós na camada oculta, a taxa de aprendizado e a normalização.
Comece aqui se você é novo em redes neurais. O componente suporta muitas personalizações, bem como ajuste de modelo, sem conhecimento profundo de redes neurais.
Definir uma arquitetura personalizada para uma rede neural
Use esta opção se quiser adicionar camadas ocultas extras ou personalizar totalmente a arquitetura de rede, suas conexões e funções de ativação.
Esta opção é melhor se você já estiver um pouco familiarizado com redes neurais. Use a linguagem Net# para definir a arquitetura de rede.
Criar um modelo de rede neural usando a arquitetura padrão
Adicione o componente Regressão de Rede Neural ao seu pipeline no designer. Você pode encontrar esse componente em Machine Learning, Initialize, na categoria Regressão .
Indique como deseja que o modelo seja treinado, definindo a opção Criar modo de treinador.
Parâmetro único: escolha esta opção se já souber como deseja configurar o modelo.
Intervalo de parâmetros: selecione esta opção se não tiver certeza dos melhores parâmetros e quiser executar uma varredura de parâmetros. Selecione um intervalo de valores para iterar e o Tune Model Hyperparameters itera sobre todas as combinações possíveis das configurações fornecidas para determinar os hiperparâmetros que produzem os resultados ideais.
Em Especificação da camada oculta, selecione Caso totalmente conectado. Esta opção cria um modelo usando a arquitetura de rede neural padrão, que para um modelo de regressão de rede neural, tem estes atributos:
- A rede tem exatamente uma camada oculta.
- A camada de saída está totalmente conectada à camada oculta e a camada oculta está totalmente conectada à camada de entrada.
- O número de nós na camada oculta pode ser definido pelo usuário (o valor padrão é 100).
Como o número de nós na camada de entrada é determinado pelo número de recursos nos dados de treinamento, em um modelo de regressão pode haver apenas um nó na camada de saída.
Em Número de nós ocultos, digite o número de nós ocultos. O padrão é uma camada oculta com 100 nós. (Esta opção não estará disponível se você definir uma arquitetura personalizada usando Net#.)
Em Taxa de aprendizagem, digite um valor que defina a etapa executada em cada iteração, antes da correção. Um valor maior para a taxa de aprendizagem pode fazer com que o modelo convirja mais rapidamente, mas pode ultrapassar os mínimos locais.
Para Número de iterações de aprendizagem, especifique o número máximo de vezes que o algoritmo processa os casos de treinamento.
Para O momento, digite um valor a ser aplicado durante o aprendizado como um peso nos nós de iterações anteriores.
Selecione a opção, Exemplos aleatórios, para alterar a ordem dos casos entre iterações. Se você desmarcar essa opção, os casos serão processados exatamente na mesma ordem cada vez que você executar o pipeline.
Para Semente de número aleatório, você pode, opcionalmente, digitar um valor para usar como semente. Especificar um valor seed é útil quando você deseja garantir a repetibilidade em execuções do mesmo pipeline.
Conecte um conjunto de dados de treinamento e treine o modelo:
Se você definir Create trainer mode como Single Parameter, conecte um conjunto de dados marcado e o componente Train Model .
Se você definir Criar modo de treinamento como Intervalo de parâmetros, conecte um conjunto de dados marcado e treine o modelo usando Ajustar hiperparâmetros do modelo.
Nota
Se você passar um intervalo de parâmetros para Train Model, ele usará apenas o valor padrão na lista de parâmetros únicos.
Se você passar um único conjunto de valores de parâmetro para o componente Ajustar Hiperparâmetros do Modelo, quando ele espera um intervalo de configurações para cada parâmetro, ele ignora os valores e usa os valores padrão para o aluno.
Se você selecionar a opção Intervalo de parâmetros e inserir um único valor para qualquer parâmetro, esse único valor especificado será usado durante toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.
Envie o pipeline.
Resultados
Após a conclusão da formação:
- Para salvar um instantâneo do modelo treinado, selecione a guia Saídas no painel direito do componente Modelo de trem . Selecione o ícone Registrar conjunto de dados para salvar o modelo como um componente reutilizável.
Próximos passos
Consulte o conjunto de componentes disponíveis para o Azure Machine Learning.