Componente Perceptron médio de duas classes
Este artigo descreve um componente no designer do Azure Machine Learning.
Use este componente para criar um modelo de aprendizado de máquina com base no algoritmo perceptron médio.
Este algoritmo de classificação é um método de aprendizagem supervisionada e requer um conjunto de dados etiquetado, que inclui uma coluna de etiqueta. Você pode treinar o modelo fornecendo o modelo e o conjunto de dados marcados como uma entrada para Train Model. O modelo treinado pode então ser usado para prever valores para os novos exemplos de entrada.
Sobre os modelos de perceptron médios
O método perceptron médio é uma versão precoce e simples de uma rede neural. Nesta abordagem, as entradas são classificadas em várias saídas possíveis com base em uma função linear e, em seguida, combinadas com um conjunto de pesos que são derivados do vetor de feição - daí o nome "perceptron".
Os modelos perceptron mais simples são adequados para aprender padrões linearmente separáveis, enquanto as redes neurais (especialmente redes neurais profundas) podem modelar limites de classe mais complexos. No entanto, os perceptrons são mais rápidos e, por processarem casos em série, os perceptrons podem ser usados com treinamento contínuo.
Como configurar o Perceptron médio de duas classes
Adicione o componente Perceptron médio de duas classes ao seu pipeline.
Especifique como deseja que o modelo seja treinado, definindo a opção Criar modo de treinador.
Parâmetro único: Se você souber como deseja configurar o modelo, forneça um conjunto específico de valores como argumentos.
Intervalo de parâmetros: selecione esta opção se não tiver certeza dos melhores parâmetros e quiser executar uma varredura de parâmetros. Selecione um intervalo de valores para iterar e o Tune Model Hyperparameters itera sobre todas as combinações possíveis das configurações fornecidas para determinar os hiperparâmetros que produzem os resultados ideais.
Para Taxa de aprendizagem, especifique um valor para a taxa de aprendizagem. Os valores da taxa de aprendizagem controlam o tamanho da etapa que é usada na descida de gradiente estocástico cada vez que o modelo é testado e corrigido.
Ao tornar a taxa menor, você testa o modelo com mais frequência, com o risco de ficar preso em um platô local. Ao tornar o passo maior, você pode convergir mais rapidamente, sob o risco de ultrapassar os verdadeiros mínimos.
Em Número máximo de iterações, digite o número de vezes que você deseja que o algoritmo examine os dados de treinamento.
Parar cedo geralmente proporciona uma melhor generalização. Aumentar o número de iterações melhora o ajuste, correndo o risco de sobreajuste.
Para Semente de número aleatório, opcionalmente, digite um valor inteiro para usar como semente. O uso de uma semente é recomendado se você quiser garantir a reprodutibilidade do pipeline em todas as execuções.
Conecte um conjunto de dados de treinamento e treine o modelo:
Se você definir Create trainer mode como Single Parameter, conecte um conjunto de dados marcado e o componente Train Model .
Se você definir Criar modo de treinamento como Intervalo de parâmetros, conecte um conjunto de dados marcado e treine o modelo usando Ajustar hiperparâmetros do modelo.
Nota
Se você passar um intervalo de parâmetros para Train Model, ele usará apenas o valor padrão na lista de parâmetros únicos.
Se você passar um único conjunto de valores de parâmetro para o componente Ajustar Hiperparâmetros do Modelo, quando ele espera um intervalo de configurações para cada parâmetro, ele ignora os valores e usa os valores padrão para o aluno.
Se você selecionar a opção Intervalo de parâmetros e inserir um único valor para qualquer parâmetro, esse único valor especificado será usado durante toda a varredura, mesmo que outros parâmetros sejam alterados em um intervalo de valores.
Próximos passos
Consulte o conjunto de componentes disponíveis para o Azure Machine Learning.