Componente Rede Neural de Duas Classes
Este artigo descreve um componente no designer do Azure Machine Learning.
Use este componente para criar um modelo de rede neural que pode ser usado para prever um destino que tem apenas dois valores.
A classificação usando redes neurais é um método de aprendizagem supervisionada e, portanto, requer um conjunto de dados marcado, que inclui uma coluna de rótulo. Por exemplo, você pode usar esse modelo de rede neural para prever resultados binários, como se um paciente tem ou não uma determinada doença ou se uma máquina provavelmente falhará dentro de uma janela de tempo especificada.
Depois de definir o modelo, treine-o fornecendo um conjunto de dados marcado e o modelo como uma entrada para Train Model. O modelo treinado pode então ser usado para prever valores para novas entradas.
Mais sobre redes neurais
Uma rede neural é um conjunto de camadas interconectadas. As entradas são a primeira camada, e são conectadas a uma camada de saída por um gráfico acíclico composto de arestas ponderadas e nós.
Entre as camadas de entrada e saída, você pode inserir várias camadas ocultas. A maioria das tarefas preditivas pode ser realizada facilmente com apenas uma ou algumas camadas ocultas. No entanto, pesquisas recentes mostraram que redes neurais profundas (DNN) com muitas camadas podem ser eficazes em tarefas complexas, como reconhecimento de imagem ou fala. As camadas sucessivas são usadas para modelar níveis crescentes de profundidade semântica.
A relação entre entradas e saídas é aprendida treinando a rede neural nos dados de entrada. A direção do gráfico procede das entradas através da camada oculta e para a camada de saída. Todos os nós em uma camada são conectados pelas bordas ponderadas aos nós na próxima camada.
Para calcular a saída da rede para uma entrada específica, um valor é calculado em cada nó nas camadas ocultas e na camada de saída. O valor é definido calculando a soma ponderada dos valores dos nós da camada anterior. Uma função de ativação é então aplicada a essa soma ponderada.
Como configurar
Adicione o componente Rede Neural de Duas Classes ao seu pipeline. Você pode encontrar esse componente em Machine Learning, Initialize, na categoria Classificação .
Especifique 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: Se você não tiver certeza dos melhores parâmetros, poderá encontrar os parâmetros ideais usando o componente Tune Model Hyperparameters . Você fornece algum intervalo de valores e o treinador itera em várias combinações das configurações para determinar a combinação de valores que produz o melhor resultado.
Para Especificação de camada oculta, selecione o tipo de arquitetura de rede a ser criada.
Caso totalmente conectado: usa a arquitetura de rede neural padrão, definida para redes neurais de duas classes da seguinte maneira:
Tem 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 de entrada é igual ao número de recursos nos dados de treinamento.
O número de nós na camada oculta é definido pelo usuário. O valor predefinido é 100.
O número de nós é igual ao número de classes. Para uma rede neural de duas classes, isso significa que todas as entradas devem ser mapeadas para um dos dois nós na camada de saída.
Para a taxa de aprendizagem, defina o tamanho da etapa dada 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 deve processar os casos de treinamento.
Para O diâmetro dos pesos de aprendizagem iniciais, especifique os pesos dos nós no início do processo de aprendizagem.
Para O momento, especifique um peso a ser aplicado durante o aprendizado aos nós de iterações anteriores
Selecione a opção Exemplos aleatórios para embaralhar casos entre iterações. Se você desmarcar essa opção, os casos serão processados exatamente na mesma ordem cada vez que você executar o pipeline.
Em Semente de número aleatório, digite um valor a ser usado como semente.
Especificar um valor seed é útil quando você deseja garantir a repetibilidade em execuções do mesmo pipeline. Caso contrário, um valor de relógio do sistema é usado como a semente, o que pode causar resultados ligeiramente diferentes cada vez que você executa o pipeline.
Adicione um conjunto de dados rotulado ao pipeline 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.
Para usar o modelo para pontuação, adicione o componente Modelo de pontuação a um pipeline.
Próximos passos
Consulte o conjunto de componentes disponíveis para o Azure Machine Learning.