Percettrone medio a due classi

Crea un modello di classificazione binaria Averaged Perceptron

Categoria: Machine Learning/Inizializza modello/classificazione

Panoramica del modulo

Questo articolo descrive come usare il modulo Perceptron medio a due classi in Machine Learning Studio (versione classica) per creare un modello di Machine Learning basato sull'algoritmo percettore medio.

Questo algoritmo di classificazione è un metodo di apprendimento con supervisione e richiede un set di dati con tag, che include una colonna etichetta. È possibile eseguire il training del modello fornendo il modello e il set di dati contrassegnato come input per eseguire il training del modello o ottimizzare gli iperparamermi del modello. Il modello con training può quindi essere usato per stimare i valori per i nuovi esempi di input.

Altre informazioni sui modelli percettori medi

Il metodo percettore medio è una versione anticipata e molto 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, da cui il nome "perceptron".

I modelli più semplici di percettrone sono adatti per l'apprendimento di modelli separabili in modo lineare, mentre le reti neurali, specialmente quelle profonde, consentono di modellare limiti di classe più complessi. I percettroni sono tuttavia più rapidi e poiché elaborano i casi in serie, possono essere usati con il training continuo.

Come configurare Two-Class perceptron medio

1. Aggiungere il modulo Perceptron medio a due classi all'esperimento in Studio (versione classica).

2. Specificare la modalità di training del modello impostando l'opzione Crea modalità trainer .

   • Singolo parametro: se si sa come si vuole configurare il modello, specificare un set specifico di valori come argomenti.

   • Intervallo di parametri: se non si è certi dei parametri migliori, trovare i parametri ottimali specificando più valori e usando il modulo Tune Model Hyperparameters per trovare la configurazione ottimale. Il trainer scorre più combinazioni delle impostazioni fornite e determina la combinazione di valori che produce il modello migliore.

3. Per Learning, specificare un valore per la frequenza di apprendimento. I valori di velocità di apprendimento controllano le dimensioni del passaggio che viene usato nei valori descent con sfumatura stocastica ogni volta che il modello viene testato e corretto.

   Rendendo la frequenza più ridotta, si testa il modello più spesso, con il rischio di rimanere bloccati in un altopiano locale. Estendendo le dimensioni del passaggio, è possibile rendere più veloce la convergenza con il rischio di oltrepassare il valore minimo true.

4. In Numero massimo di iterazioni digitare il numero di volte in cui si vuole che l'algoritmo esamini i dati di training.

   L'interruzione anticipata spesso fornisce una migliore generalizzazione. L'aumento del numero di iterazioni migliora l'adattamento, con il rischio di overfitting.

5. Per Valore di valore di tipo Numero casuale, digitare facoltativamente un valore intero da usare come valore di valore di serie. Se si vuole garantire la riproducibilità dell'esperimento tra le esecuzioni, è consigliabile usare un valore di base.

6. Selezionare l'opzione Consenti livelli di categoria sconosciuti per creare un gruppo per i valori sconosciuti nei set di training e convalida. Il modello potrebbe essere meno preciso per i valori noti, ma può fornire stime migliori per i nuovi valori (sconosciuti).

   Se si deseleziona questa opzione, il modello può accettare solo i valori contenuti nei dati di training.

7. Connessione set di dati di training e uno dei moduli di training:

   • Se si imposta Crea modalità di training su Parametro singolo, usare il modulo Train Model (Train Model ).

   • Se si imposta Crea modalità trainer su Intervallo parametri, usare il modulo Tune Model Hyperparameters (Ottimizza iperparamezionari modello).

   Nota

   Se si passa un intervallo di parametri a Train Model, viene utilizzato solo il primo valore nell'elenco di intervalli di parametri.

   Se si passa un singolo set di valori di parametro al modulo Tune Model Hyperparameters ,quando prevede un intervallo di impostazioni per ogni parametro, ignora i valori e usa i valori predefiniti per lo learner.

   Se si seleziona l'opzione Intervallo parametri e si immette un singolo valore per qualsiasi parametro, il singolo valore specificato viene usato in tutta la sweep, anche se altri parametri cambiano in un intervallo di valori.

Risultati

Al termine del training:

• Per visualizzare un riepilogo dei parametri del modello, insieme ai pesi delle funzionalità appresi dal training, fare clic con il pulsante destro del mouse sull'output di Train Model (Train Model ) o Tune Model Hyperparameters (Ottimizza iperparametratori modello).

Esempio

Per esempi di come viene usato questo algoritmo di apprendimento, vedere l'Azure AI Gallery:

• Esempio di convalida incrociata per classificatori binari: confronta più modelli di classificazione.

Note tecniche

Questa sezione contiene informazioni dettagliate sull'implementazione, suggerimenti e risposte alle domande frequenti.

Suggerimenti per l'uso

La procedura consigliata per questo tipo di modello consiste nel normalizzare i set di dati prima di usarli per il training del classificatore. Per le opzioni di normalizzazione, vedere Normalizzare i dati.

Il modello Averaged Perceptron è una prima versione semplificata delle reti neurali. In quanto tale, funziona in modo ottimale in semplici set di dati quando l'obiettivo è la velocità piuttosto che la precisione. Tuttavia, se non si stanno ottenendo i risultati desiderati, provare uno di questi modelli:

• Rete neurale a due classi o rete neurale multiclasse

• Regressione logistica a due classi o regressione logistica multiclasse

• Albero delle decisioni incrementato a due classi

Parametri del modulo

Output

Vedi anche

Classificazione
Elenco moduli A-Z