多元羅吉斯迴歸
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
建立多級羅吉斯迴歸分類模型
模組概觀
本文描述如何使用機器學習 Studio (傳統) 中的多元羅吉斯回歸模組，建立可用來預測多個值的羅吉斯回歸模型。
使用羅吉斯回歸的分類是受監督的學習方法，因此需要已加上標籤的資料集。 您可以藉由提供模型和加上標籤的資料集做為模組的輸入（例如 訓練模型 或 微調模型超參數）來定型模型。 然後便可以使用已定型的模型來預測新輸入範例的值。
機器學習 Studio (傳統) 也提供雙類別羅吉斯回歸模組，其適用于二進位或二分變數的分類。
深入瞭解多元羅吉斯回歸
羅吉斯回歸是在統計資料中已知的方法，可用來預測結果的機率，並且特別受限於分類工作。 此演算法會將資料填入羅吉斯函式，以預測事件的發生機率。 如需這個實作的詳細資訊，請參閱技術提示一節。
在多級羅吉斯迴歸中，分類器可以用來預測多個結果。
如何設定多元羅吉斯回歸
將 多元羅吉斯回歸 模組新增至實驗。
設定 [建立定型模式] 選項來指定要如何定型模型。
單一參數：如果您知道要如何設定模型，請使用此選項，並提供一組特定值做為引數。
參數範圍：如果您不確定最佳參數，而且想要使用參數清除，請使用此選項。
最佳化允差，指定最佳化工具收斂的閾值。 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。
L1 正規化權數和 L2 正規化權數：輸入要用於正規化參數 L1 和 L2 的值。 非零值建議用於兩者。
正規化是以極端係數值來懲罰模型，以防止過度學習的一種方法。 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 與 L2 regularization 有不同的效果，並使用。 L1 可以套用到疏鬆的模型，使用高維度資料時，這是很有用。 相較之下，L2 regularization 是不是疏鬆的資料。 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且y = L2，則ax + by = c定義正規項的線性範圍。對於羅吉斯迴歸模型，已設計出 L1 和 L2 項的各種線性組合，例如彈性網路正規化。
L BFGS 的記憶體大小：指定要用於 l BFGS 優化的記憶體數量。 此參數指出要儲存的通過位置和梯度數目，以計算下一個階梯。
L BFGS 代表有限的記憶體 Broyden-Fletcher-Goldfarb-Shanno，而且是最受歡迎的參數估計最佳化演算法。 此最佳化參數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。
亂數散播：如果您想要讓結果可重複執行，請輸入整數值做為演算法的種子。 否則，系統時鐘值會用來做為種子，在相同實驗的執行中可能會產生稍微不同的結果。
允許未知的類別層級：選取此選項可在每個類別資料行中建立額外的「未知」層級。 在測試資料集中) 不在訓練資料集中的任何 (層級值會對應到這個「未知」層級。
連線已加上標籤的資料集，以及其中一個定型模組：
執行實驗。
結果
定型完成後：
範例
如需如何使用這個學習演算法的範例，請參閱 Azure AI 資源庫：
鳶尾花叢集：比較多元羅吉斯回歸與 K 表示叢集的結果。
網路入侵偵測：使用二元羅吉斯回歸來判斷案例是否代表入侵。
二元分類器的交叉驗證：示範在一般實驗工作流程中（包括模型評估）使用羅吉斯回歸的方式。
技術說明
本節包含實作詳細資料、提示和常見問題集的解答。
相關研究
想要深入了解 L1 和 L2 正規化嗎？ 下列文章提供 L1 和 L2 正規化的差異，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碼範例。
如需此演算法之執行的詳細資訊，請參閱：
- 依 Andrew 和 Gao，正規化 Log-Linear 模型的可擴充定型。
實作詳細資料
羅吉斯回歸需要數值變數。 因此，當您嘗試使用類別資料行做為變數時，機器學習會在內部將值轉換成指標陣列。
若為日期和時間，則會使用數值標記法。 如需日期時間值的詳細資訊，請參閱DateTime 結構 .NET Framework。 如果您想要以不同的方式處理日期和時間，建議您建立衍生的資料行。
標準羅吉斯回歸為二項式，並假設有兩個輸出類別。 多元或多維度羅吉斯回歸假設有三個以上的輸出類別。
二項式羅吉斯回歸會假設資料的 羅吉斯分佈 ，其中範例屬於類別1的機率是公式：
p(x;β0,…, βD-1)
其中：
x 是包含實例所有功能值的 D 維向量。
p 是羅吉斯分佈函數。
β{0},..., β {D-1}是羅吉斯分佈的未知參數。
演算法會藉由將指定輸入的參數最大記錄機率，以嘗試尋找的最佳值 β{0},..., β {D-1} 。 Maximization 是使用常用的參數估計方法來執行，稱為 有限的記憶體 BFGS。
模組參數
| 名稱 | 範圍 | 類型 | 預設 | 描述 |
|---|---|---|---|---|
| 最佳化允差 | >=double.Epsilon | Float | 0.0000001 | 指定 L-BFGS 最佳化工具的允差值 |
| L1 正則化權數 | >= 0。0 | Float | 1.0 | 指定 L1 正則化權數。 使用非零值以防止過度配適。 |
| L2 正規化權數 | >= 0。0 | Float | 1.0 | 指定 L2 正規化權數。 使用非零值以防止過度配適。 |
| L-BFGS 的記憶體大小 | >=1 | 整數 | 20 | 指定要用於 L-BFGS 最佳化工具的記憶體數量 (以 MB 為單位)。 使用較少的記憶體時，定型會較快，但較不精確。 |
| 亂數散播 | 任意 | 整數 | 輸入一個值做為模型使用的亂數產生器的種子。 保留空白代表預設值。 | |
| 允許不明類別層級 | 任意 | 布林值 | True | 指出是否應該為每個類別資料行建立額外層級。 測試資料集內若有任何層級是定型資料集內所有沒有的，則會對應到此額外層級。 |
輸出
| 名稱 | 類型 | 描述 |
|---|---|---|
| 未定型的模型 | ILearner 介面 | 未定型的分類模型 |