Регрессия Пуассона

В этой статье описывается компонент в конструкторе Машинного обучения Azure.

Используйте этот компонент для создания модели регрессии Пуассона в конвейере. Регрессия Пуассона предназначена для прогнозирования числовых значений, обычно счетчиков. Поэтому этот компонент следует использовать для создания этого компонента только в том случае, если значения, которые вы пытаетесь спрогнозировать, соответствуют следующим условиям:

• Переменная ответа имеет распределение Пуассона.

• Счетчики не могут быть отрицательными. Метод завершится ошибкой, если вы пытаетесь использовать его с отрицательными метками.

• Учитывая дискретный характер распределения Пуассона, этот метод бессмысленно использовать для дробных чисел.

После настройки метода регрессии необходимо обучить модель с помощью набора данных, содержащего примеры значения, которое необходимо спрогнозировать. Затем обученную модель можно использовать для прогнозирования.

Дополнительные сведения о регрессии Пуассона

Регрессия Poisson — это особый тип анализа регрессии, который обычно используется для подсчетов моделей. Например, регрессия Poisson будет полезна в следующих сценариях:

• Моделирование количества холодов, связанных с полетами в самолете

• Оценка количества вызовов службы аварийного обслуживания во время события

• Проецирование количества запросов клиентов вслед за продвижением

• Создание таблиц на случай непредвиденных обстоятельств

Так как переменная ответа имеет распределение Пуассона, модель принимает различные предположения о данных и их вероятном распределении в сравнении, например, с регрессией наименьших квадратов. Таким образом модели Пуассона должны интерпретироваться не так, как другие модели регрессии.

Настройка регрессии Пуассона

1. Добавьте компонент "Регрессия Пуассона" в конвейер конструктора. Вы можете найти этот компонент в разделе Алгоритмы Машинного обучения в категории Регрессия.

2. Добавьте набор данных, содержащий обучающие данные правильного типа.

   Рекомендуется использовать Нормализация данных, чтобы нормализовать входной набор данных перед его использованием для обучения регрессора.

3. В правой области компонента "Регрессия Пуассона" укажите, как должна быть обучена модель, установив параметр "Создать режим учителя".

   • Single Parameter (Одиночный параметр). Если вы знаете, как хотите настроить модель, предоставьте определенный набор значений в качестве аргументов.

   • Диапазон параметров. Если вы не знаете наилучшие параметры, выполните очистку параметров с помощью компонента "Настройка гиперпараметров модели". Учитель выполняет итерацию по нескольким указанным вами значениям, чтобы найти оптимальную конфигурацию.

4. Отклонение оптимизации. Введите значение, которое определяет интервал отклонения во время оптимизации. Чем ниже значение, тем медленнее и более точное приспособление.

5. Вес регуляризации L1 и вес регуляризации L2. Введите значения, используемые для регуляризации L1 и L2. Нормализация добавляет ограничения в алгоритм относительно аспектов модели, которые не зависят от обучающих данных. Регулярное использование обычно используется для предотвращения переполнения.

   • Нормализация L1 полезна, если цель состоит в том, чтобы иметь модель, которая является как можно более разреженной.

     Нормализация L1 выполняется путем вычитания веса Вектора веса L1 из выражения потери, которое учащийся пытается свести к минимуму. Норма L1 является хорошим приближением к норме L0, которая является числом ненулевых координат.

   • Нормализация L2 предотвращает слишком большое увеличение масштаба любой одной координаты в векторе веса. Нормализация L2 полезна, если цель состоит в наличии модели с небольшими общими весами.

   В этом компоненте можно применить сочетание регуляризации L1 и L2. Объединив регуляризации L1 и L2, вы можете снизить величину значений параметров. Учащийся пытается свести к минимуму штраф, в компромиссе с минимизацией потери.

   Хорошее описание работы с регуляризацией L1 и L2 см. в разделе Регуляризация L1 и L2 для Машинного обучения.

6. Объем памяти для L-BFGS. Укажите объем памяти, резервируемый для подгонки и оптимизации модели.

   L-BFGS — это конкретный метод оптимизации, основанный на алгоритме Бройден-Флетчера-Гольдфарб-Шанно (БФГС). Метод использует ограниченный объем памяти (L) для расчета следующего направления шага.

   Изменив этот параметр, вы можете указать число прошлых позиций и градиентов, сохраняемых для вычисления следующего этапа.

7. Подключите обучающий набор данных и необученную модель к одному из обучающих компонентов:

   • Если для параметра "Создать режим учителя" задано значение "Одиночный параметр", используйте компонент "Обучение модели".

   • Если для параметра "Создать режим учителя" задано значение "Диапазон параметров", используйте компонент "Настройка гиперпараметров модели".

   Предупреждение

   • При передаче диапазона параметров в модуль Обучение модели используется только первое значение в списке диапазона параметров.

   • Если передать в компонент "Настройка гиперпараметров модели" один набор значений параметров, когда он ожидает диапазон для каждого параметра, он пропускает эти значения и использует значения по умолчанию для обучаемого объекта.

   • Если выбран вариант Parameter Range (Диапазон параметров) и указано одно значение для любого параметра, это единственное заданное значение будет использоваться во время очистки, даже если другие параметры меняются в диапазоне значений.

8. Отправьте конвейер.

Результаты

После завершения обучения:

• Чтобы сохранить моментальный снимок обученной модели, выберите компонент обучения, а затем перейдите на вкладку "Выходные данные и журналы" на правой панели. Щелкните значок Зарегистрировать набор данных. Вы можете найти сохраненную как компонент модель в дереве компонентов.

Следующие шаги

Ознакомьтесь с набором доступных компонентов для машинного обучения Azure.