雙類別類神經網路元件
本文說明 Azure 機器學習 設計工具中的元件。
使用此元件建立神經網路模型，可用來預測只有兩個值的目標。
使用類神經網路的分類是受監督的學習方法，因此需要 標記的數據集，其中包含標籤數據行。 例如，您可以使用這個神經網路模型來預測二進制結果，例如患者是否有特定疾病，或者計算機是否可能在指定的時間範圍內失敗。
定義模型之後，請藉由提供標記的數據集和模型作為定型模型的輸入來定型模型來 定型模型。 然後，定型的模型可用來預測新輸入的值。
深入瞭解類神經網路
神經網路是一組互連層。 輸入是第一層，由加權邊緣和節點組成的無循環圖形連接到輸出層。
在輸入和輸出層之間，您可以插入多個隱藏層。 大部分的預測性工作只要使用一或幾個隱藏層即可輕鬆完成。 不過，最近的研究表明，具有許多層的深度神經網路（DNN）在影像或語音識別等複雜工作中可能有效。 後續層可用來建立增加語意深度層級的模型。
輸入與輸出之間的關聯性是從訓練輸入數據的類神經網路中學到的。 圖形的方向會透過隱藏層和輸出層從輸入繼續。 層次中的所有節點都會由加權邊緣連接到下一層中的節點。
若要計算特定輸入的網路輸出，則會在隱藏層和輸出層的每個節點計算值。 此值是藉由計算上一層節點值的加權總和來設定。 然後，啟用函式會套用至該加權總和。
如何設定
將 雙類別類神經網路 元件新增至管線。 您可以在 [分類] 類別的 [機器學習 初始化] 下找到此元件。
藉由設定 [建立定型定型器模式 ] 選項，指定您要如何定型模型。
單一參數：如果您已經知道如何設定模型，請選擇此選項。
參數範圍：如果您不確定最佳參數，您可以使用微調模型超參數位件來尋找最佳參數。 您提供一些值範圍，而定型器會逐一查看設定的多個組合，以判斷產生最佳結果的值組合。
針對 [隱藏層規格]，選取要建立的網路架構類型。
完整連線案例：使用預設類神經網路架構，針對兩類神經網路定義，如下所示：
有一個隱藏層。
輸出層已完全連接到隱藏層，而隱藏層則完全連接到輸入層。
輸入層中的節點數目等於定型數據中的特徵數目。
隱藏層中的節點數目是由用戶設定。 預設值是 100。
節點數目等於類別數目。 對於雙類別神經網路，這表示所有輸入都必須對應至輸出層中兩個節點的其中一個。
針對 學習速率，請在更正之前定義在每個反覆專案上所採取的步驟大小。 較大型的學習速率值可能會導致模型更快速聚合，但可能會過度調整本機最小值。
針對 [學習反復項目數目]，指定演算法處理定型案例的次數上限。
針對 初始學習權數直徑，請在學習程序開始時指定節點權數。
針對 動量，指定要在學習期間套用至先前反覆項目節點的權數
選取 [ 隨機範例] 選項，以在反覆項目之間隨機顯示案例。 如果您取消選取此選項，則每次執行管線時，案例會以完全相同的順序處理。
針對 [隨機數種子]，輸入要當做種子使用的值。
當您想要確保相同管線執行之間的可重複性時，指定種子值會很有用。 否則，系統會使用系統時鐘值做為種子，這可能會導致每次執行管線時產生稍微不同的結果。
將標示的數據集新增至管線，並定型模型：
如果您將 [建立定型器模式] 設定為 [單一參數]，請連接已標記的數據集和定型模型元件。
如果您將 [建立定型器模式] 設定為 [參數範圍]，請使用 [微調模型超參數] 連接已標記的數據集並定型模型。
提交管線。
結果
完成定型之後：
若要儲存已定型模型的快照集，請選取 [定型模型] 元件右面板中的 [輸出] 索引標籤。 選取 [ 註冊數據集] 圖示，將模型儲存為可重複使用的元件。
若要使用模型進行評分，請將 評分模型 元件新增至管線。