雙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。

使用此元件建立羅吉斯回歸模型，可用來預測兩個（且只有兩個）結果。

羅吉斯回歸是一種已知的統計技術，用於模型化許多種類的問題。 此演算法是 受監督的學習 方法;因此，您必須提供已包含定型模型結果的數據集。

關於羅吉斯回歸

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，而且特別適用於分類工作。 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。

在此元件中，分類演算法會針對二分法或二元變數進行優化。 如果您需要分類多個結果，請使用 多類別羅吉斯回歸 元件。

如何設定

若要定型此模型，您必須提供包含標籤或類別數據行的數據集。 因為此元件適用於兩個類別的問題，標籤或類別數據行必須只包含兩個值。

例如，標籤數據行可能是 [Voted]，其可能值為 “Yes” 或 “No”。 或者，可能是 [信用風險]，其可能值為 「High」 或 「Low」。。

1. 將 Two 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，您可以提供一組特定的值做為自變數。

   • 參數範圍：如果您不確定最佳參數，您可以使用微調模型超參數位件來尋找最佳參數。 您提供一些值範圍，而定型器會逐一查看設定的多個組合，以判斷產生最佳結果的值組合。

3. 針對 優化容錯，指定優化模型時要使用的臨界值。 如果反覆專案之間的改進低於指定的臨界值，則演算法會被視為已聚合在解決方案上，而定型會停止。

4. 針對 L1 正規化權數和 L2 正規化權數，請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。 因此，具有極端係數值的精確模型會受到更多懲罰，但具有較保守值的較不精確模型會受到較少懲罰。

   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 和 y = L2，則會 ax + by = c 定義正規化詞彙的線性範圍。

   注意

   想要深入瞭解 L1 和 L2 正規化嗎？ 下列文章將討論 L1 和 L2 正規化有何不同，以及它們如何影響模型調整，以及羅吉斯回歸和類神經網路模型的程式代碼範例：L1 和 L2 正規化 機器學習

   針對羅吉斯回歸模型設計了 L1 和 L2 詞彙的不同線性組合：例如彈性 net 正規化。 建議您參考這些組合，以定義在您的模型中有效的線性組合。

5. 針對 L-BFGS 的記憶體大小，指定要用於 L-BFGS 優化的記憶體數量。

   L-BFGS 代表“有限的記憶體布羅伊登-弗萊徹-戈德法布-尚諾”。 這是參數估計的熱門優化演算法。 此參數表示要儲存的過去位置和漸層數目，以便計算下一個步驟。

   此優化參數會限制用來計算下一個步驟和方向的記憶體數量。 當您指定較少的記憶體時，訓練是更快，但較不精確。

6. 針對 [隨機數種子]，輸入整數值。 如果您想要讓結果在相同管線的多個執行上重現，定義種子值很重要。

7. 將標示的數據集新增至管線，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。

8. 提交管線。

結果

完成定型之後：

• 若要對新數據進行預測，請使用定型的模型和新數據作為評分模型元件的輸入。

下一步

請參閱 Azure 機器學習 可用的元件集。