Componente Media media perceptron a due classi
Questo articolo descrive un componente nella finestra di progettazione di Azure Machine Learning.
Usare questo componente per creare un modello di Machine Learning basato sull'algoritmo medio perceptron.
Questo algoritmo di classificazione è un metodo di apprendimento supervisionato e richiede un set di dati con tag, che include una colonna etichetta. È possibile eseguire il training del modello specificando il modello e il set di dati con tag come input per Eseguire il training del modello. Il modello sottoposto a training può quindi essere usato per stimare i valori per i nuovi esempi di input.
Informazioni sui modelli di perceptron medi
Il metodo medio perceptron è una versione anticipata e semplice di una rete neurale. In questo approccio, gli input vengono classificati in diversi output possibili in base a una funzione lineare e quindi combinati con un set di pesi derivati dal vettore di funzionalità, di conseguenza il nome "perceptron".
I modelli perceptron più semplici sono adatti all'apprendimento di modelli separabili linearmente, mentre le reti neurali (in particolare le reti neurali profonde) possono modellare limiti di classe più complessi. Tuttavia, le perceptron sono più veloci e, poiché elaborano i casi in modo seriale, le perceptron possono essere usate con il training continuo.
Come configurare una perceptron media a due classi
Aggiungere il componente Two-Class Averaged Perceptron alla pipeline.
Specificare la modalità di training del modello impostando l'opzione Crea modalità di training.
Singolo parametro: se si sa come configurare il modello, specificare un set specifico di valori come argomenti.
Intervallo di parametri: selezionare questa opzione se non si è certi dei parametri migliori e si vuole eseguire uno sweep di parametri. Selezionare un intervallo di valori per scorrere e ottimizzare gli iperparametri del modello esegue l'iterazione su tutte le possibili combinazioni delle impostazioni fornite per determinare gli iperparametri che producono i risultati ottimali.
Per Frequenza di apprendimento specificare un valore per la frequenza di apprendimento. I valori della frequenza di apprendimento controllano le dimensioni del passaggio usato nella discesa del gradiente stocastico ogni volta che il modello viene testato e corretto.
Rendendo più piccolo il tasso, si testa il modello più spesso, con il rischio che si possa rimanere bloccati in un plateau locale. Rendendo il passo più grande, è possibile convergere più velocemente, a rischio di superare il vero minimo.
Per Numero massimo di iterazioni, digitare il numero di volte in cui si desidera che l'algoritmo esamini i dati di training.
L'arresto anticipato offre spesso una migliore generalizzazione. L'aumento del numero di iterazioni migliora l'adattamento, a rischio di overfitting.
Per Valore di inizializzazione numero casuale, digitare facoltativamente un valore intero da usare come valore di inizializzazione. Se si vuole garantire la riproducibilità della pipeline tra esecuzioni, è consigliabile usare un valore di inizializzazione.
Connettere un set di dati di training ed eseguire il training del modello:
Se si imposta Create trainer mode (Crea modalità trainer) su Single Parameter (Parametro singolo), connettere un set di dati con tag e il componente Train Model (Train Model ).
Se si imposta La modalità di training su Intervallo di parametri, connettere un set di dati con tag ed eseguire il training del modello usando Ottimizzazione degli iperparametri del modello.
Nota
Se si passa un intervallo di parametri a Train Model, viene usato solo il valore predefinito nell'elenco dei singoli parametri.
Se si passa un singolo set di valori di parametro al componente Tune Model Hyperparameters , quando prevede un intervallo di impostazioni per ogni parametro, ignora i valori e usa i valori predefiniti per lo strumento di apprendimento.
Se si seleziona l'opzione Intervallo di parametri e si immette un singolo valore per qualsiasi parametro, tale singolo valore specificato viene usato durante lo sweep, anche se altri parametri cambiano in un intervallo di valori.
Passaggi successivi
Vedere il set di componenti disponibili per Azure Machine Learning.