İki Sınıflı OrtalamaLı Algı bileşeni
Bu makalede Azure Machine Learning tasarımcısındaki bir bileşen açıklanmaktadır.
Ortalama algı algoritmasına dayalı bir makine öğrenmesi modeli oluşturmak için bu bileşeni kullanın.
Bu sınıflandırma algoritması denetimli bir öğrenme yöntemidir ve etiket sütunu içeren etiketli bir veri kümesi gerektirir. Modeli eğitmek için modeli ve etiketli veri kümesini giriş olarak sağlayarak modeli eğitebilirsiniz. Daha sonra eğitilen model, yeni giriş örnekleri için değerleri tahmin etmek için kullanılabilir.
Ortalama algı modelleri hakkında
Ortalama algı yöntemi , sinir ağının erken ve basit bir sürümüdür. Bu yaklaşımda, girişler doğrusal bir işleve dayalı olarak birkaç olası çıkış olarak sınıflandırılır ve ardından özellik vektörden türetilen bir ağırlık kümesiyle birleştirilir ve bu nedenle "algı" adı kullanılır.
Daha basit algı modelleri doğrusal olarak ayrıştırılabilir desenleri öğrenmeye uygundur, ancak sinir ağları (özellikle derin sinir ağları) daha karmaşık sınıf sınırları modelleyebilir. Ancak, algılar daha hızlıdır ve olayları seri olarak işlediklerinden, algılar sürekli eğitimle kullanılabilir.
İki Sınıf ortalamalı algıyı yapılandırma
İşlem hattınıza İki Sınıflı Ortalama Algılanan Perceptron bileşenini ekleyin.
Eğitmen modu oluştur seçeneğini ayarlayarak modelin nasıl eğitileceğini belirtin.
Tek Parametre: Modeli nasıl yapılandırmak istediğinizi biliyorsanız, bağımsız değişken olarak belirli bir değer kümesi sağlayın.
Parametre Aralığı: En iyi parametrelerden emin değilseniz ve bir parametre süpürme çalıştırmak istiyorsanız bu seçeneği belirleyin. Yinelemek için bir değer aralığı seçin ve Modeli Ayarlama Hiper Parametreleri , en iyi sonuçları üreten hiper parametreleri belirlemek için sağladığınız ayarların tüm olası bileşimleri üzerinde yinelenir.
Öğrenme oranı için öğrenme oranı için bir değer belirtin. Öğrenme hızı değerleri, modelin her test ve düzeltmesinde stokastik gradyan azalmasında kullanılan adımın boyutunu denetler.
Hızı küçülterek modeli daha sık test eder ve yerel bir platoda takılma riskiniz olur. Adımı büyüterek, gerçek minima fazla geçiş yapma riskiyle daha hızlı bir şekilde yakınsayabilirsiniz.
En fazla yineleme sayısı için algoritmanın eğitim verilerini kaç kez incelemesini istediğinizi yazın.
Erken durdurmak genellikle daha iyi genelleştirme sağlar. Yineleme sayısının artırılması, fazla uygunluk riskiyle uyumu artırır.
Rastgele sayı tohumu için isteğe bağlı olarak, tohum olarak kullanılacak bir tamsayı değeri yazın. İşlem hattının çalıştırmalar arasında yeniden üretilebilirliğini sağlamak istiyorsanız, bir tohum kullanılması önerilir.
Eğitim veri kümesini bağlayın ve modeli eğitin:
Eğitmen modu oluştur'u Tek Parametre olarak ayarlarsanız etiketli bir veri kümesini ve Modeli Eğitme bileşenini bağlayın.
Eğitmen modu oluştur'u Parametre Aralığı olarak ayarlarsanız etiketli bir veri kümesini bağlayın ve Modeli Ayarlama Hiper Parametreleri'ni kullanarak modeli eğitin.
Not
Modeli Eğitme'ye bir parametre aralığı geçirirseniz, yalnızca tek parametre listesindeki varsayılan değeri kullanır.
Ayarlama Modeli Hiper Parametreleri bileşenine tek bir parametre değeri kümesi geçirirseniz, her parametre için bir ayar aralığı beklediğinde değerleri yoksayar ve öğrenci için varsayılan değerleri kullanır.
Parametre Aralığı seçeneğini belirleyip herhangi bir parametre için tek bir değer girerseniz, diğer parametreler bir değer aralığında değişse bile, belirttiğiniz tek değer süpürme boyunca kullanılır.
Sonraki adımlar
Bkz. Azure Machine Learning için kullanılabilen bileşenler kümesi.