類神經網路回歸元件
使用神經網路演算法建立回歸模型
類別：機器學習/初始化模型/回歸
元件概觀
本文說明 Azure 機器學習 設計工具中的元件。
使用此元件來建立使用可自定義神經網路演算法的回歸模型。
雖然神經網路廣為人知，可用於深度學習和模型化複雜的問題，例如影像辨識，但它們很容易適應回歸問題。 如果使用自適性權數，而且可以近似其輸入的非線性函式，則任何統計模型類別都可以稱為類神經網路。 因此，類神經網路回歸適合較傳統的回歸模型無法符合解決方案的問題。
類神經網路回歸是受監督的學習方法，因此需要 標記的數據集，其中包含標籤數據行。 因為回歸模型會預測數值，標籤數據行必須是數值數據類型。
您可以藉由提供模型和標記的數據集作為定型模型的輸入， 來定型模型。 然後，定型的模型可用來預測新輸入範例的值。
設定類神經網路回歸
神經網路可以廣泛自定義。 本節說明如何使用兩種方法建立模型：
-
如果您接受預設神經網路架構，請使用 [ 屬性 ] 窗格來設定控制神經網路行為的參數，例如隱藏層中的節點數目、學習速率和正規化。
如果您是神經網路的新手，請從這裡開始。 元件支援許多自定義專案，以及模型微調，而不需深入瞭解神經網路。
定義類神經網路的自定義架構
如果您想要新增額外的隱藏層，或完全自定義網路架構、其連線和啟用函式，請使用此選項。
如果您已經對神經網路有些熟悉，這個選項是最好的選項。 您可以使用 Net# 語言來定義網路架構。
使用預設架構建立類神經網路模型
將 類神經網路回歸 元件新增至設計工具中的管線。 您可以在 [回歸] 類別的 [機器學習 初始化] 下找到此元件。
藉由設定 [建立訓練器模式 ] 選項，指出您想要如何定型模型。
單一參數：如果您已經知道如何設定模型，請選擇此選項。
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。
在 [隱藏層規格] 中，選取 [ 完全連線案例]。 此選項會使用預設類神經網路架構來建立模型，此架構適用於類神經網路回歸模型，具有下列屬性：
- 網路只有一個隱藏層。
- 輸出層已完全連接到隱藏層，而隱藏層則完全連接到輸入層。
- 隱藏層中的節點數目可由用戶設定（預設值為100）。
由於輸入層中的節點數目取決於定型數據中的特徵數目，因此在回歸模型中，輸出層中只能有一個節點。
針對 [隱藏節點數目]，輸入隱藏節點的數目。 預設值為一個具有100個節點的隱藏層。 （如果您使用 Net#定義自訂架構，則無法使用此選項。
針對 學習速率，輸入一個值，定義在每個反覆專案上所採取的步驟，再進行更正。 較大型的學習速率值可能會導致模型更快速聚合，但可能會過度調整本機最小值。
針對 [學習反復項目數目]，指定演算法處理定型案例的次數上限。
針對 動量，輸入在學習期間要套用的值，做為先前反覆項目節點上的加權。
選取 [隨機範例] 選項，以變更反覆項目之間的案例順序。 如果您取消選取此選項，則每次執行管線時，案例會以完全相同的順序處理。
針對 隨機數種子，您可以選擇性地輸入值做為種子。 當您想要確保相同管線執行之間的可重複性時，指定種子值會很有用。
連接定型資料集並定型模型：
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。
提交管線。
結果
完成定型之後：
- 若要儲存已定型模型的快照集，請選取 [定型模型] 元件右面板中的 [輸出] 索引標籤。 選取 [ 註冊數據集] 圖示，將模型儲存為可重複使用的元件。