多類別羅吉斯回歸元件

本文說明 Azure 機器學習 設計工具中的元件。

使用此元件來建立羅吉斯回歸模型，可用來預測多個值。

使用羅吉斯回歸的分類是監督式學習方法，因此需要加上標籤的數據集。 您可以藉由提供模型和加上標籤的數據集作為訓練模型等 元件的輸入來定型模型。 然後，定型的模型可用來預測新輸入範例的值。

Azure 機器學習 也提供雙類別羅吉斯回歸元件，適用於二元或二分法變數的分類。

關於多類別羅吉斯回歸

羅吉斯回歸是一種已知的統計數據方法，可用來預測結果的機率，而且很適合分類工作使用。 演算法會藉由將數據調整至羅吉斯函式，來預測事件的發生機率。

在多類別羅吉斯回歸中，分類器可用來預測多個結果。

設定多類別羅吉斯回歸

1. 將 多類別羅吉斯回歸 元件新增至管線。

2. 藉由設定 [建立定型定型器模式 ] 選項，指定您要如何定型模型。

   • 單一參數：如果您知道如何設定模型，並提供一組特定的值作為自變數，請使用此選項。

   • 參數範圍：如果您不確定最佳參數，而且想要執行參數掃掠，請選取此選項。 選取要逐一查看的值範圍，而 微調模型超參數 會逐一查看您提供之設定的所有可能組合，以判斷產生最佳結果的超參數。

3. 優化容錯，指定優化工具聚合的臨界值。 換句話說，如果反覆運算之間的改進少於臨界值，此演算法會停止，並傳回目前的模型。

4. L1 正規化權數、L2 正規化權數：輸入要用於正規化參數 L1 和 L2 的值。 建議針對兩者使用非零值。

   正規化是一種防止過度學習的方法，方法是使用極端係數值來懲罰模型。 正規化的運作方式是將假設錯誤加上係數值相關聯的懲罰。 具有極端係數值的精確模型會受到較多懲罰，而具有較保守值的不精確模型受到較少懲罰。

   L1 和 L2 正規化有不同的效果和使用。 L1 可以套用至疏鬆模型，這在處理高維度數據時很有用。 相反地，L2 正規化最好用於不疏鬆的數據。 此演算法支援 L1 和 L2 正規化值的線性組合：也就是說，如果 x = L1 y = L2和 ， ax + by = c 則會定義正規化詞彙的線性範圍。

   L1 和 L2 詞彙的不同線性組合已針對羅吉斯回歸模型設計，例如 彈性 Net 正規化。

5. 隨機數種子：如果您想要讓結果可重複執行，請輸入要當做演演算法種子使用的整數值。 否則，系統會使用系統時鐘值做為種子，這可以在相同管線的執行中產生稍微不同的結果。

6. 連接標示的數據集，並定型模型：

   • 如果您將 [建立定型器模式] 設定為 [單一參數]，請連接已標記的數據集和定型模型元件。

   • 如果您將 [建立定型器模式] 設定為 [參數範圍]，請使用 [微調模型超參數] 連接已標記的數據集並定型模型。

   注意

   如果您將參數範圍傳遞至 定型模型，它只會使用單一參數清單中的預設值。

   如果您將單一參數值集合傳遞至 微調模型超參數位 件，當它預期每個參數的設定範圍時，它會忽略這些值，並使用學習者的預設值。

   如果您選取 [ 參數範圍 ] 選項，並針對任何參數輸入單一值，即使您的其他參數在值範圍中變更，您指定的單一值也會在整個掃掠中使用。

7. 提交管線。

下一步

請參閱 Azure 機器學習 可用的元件集。