Хотя нейронные сети широко известны для использования в глубоком обучении и моделировании сложных задач, таких как распознавание изображений, они легко адаптируются к задачам регрессии. Любой класс статистических моделей можно назвать нейронной сетью, если они используют адаптивные веса и могут аппроксимировать нелинейные функции своих входных данных. Таким образом, регрессия нейронной сети подходит для задач, решение которых не может быть найдено с помощью более традиционной модели регрессии.
Регрессия нейронной сети - это контролируемый метод обучения, поэтому для него требуется набор данных с тегами, который включает столбец меток. Поскольку регрессионная модель предсказывает числовое значение, столбец метки должен иметь числовой тип данных.
Мы будем использовать подмножество NYC Taxi & Limousine Commission - записи о поездках на зеленом такси, доступные в Azure Open Datasets. Данные дополняются данными о праздниках и погоде. На основе расширенного набора данных мы настроим предварительно созданный модуль регрессии нейронной сети для создания модели регрессии с использованием настраиваемого алгоритма нейронной сети. Мы обучим модель, предоставив модель и набор данных такси Нью-Йорка в качестве входных данных для модели поезда. Обученную модель затем можно использовать для прогнозирования тарифов на такси Нью-Йорка. Все это мы сделаем из конструктора машинного обучения Azure, не написав ни единой строчки кода.
Загрузить набор данных
- На портале Azure откройте доступную рабочую область машинного обучения.
- Выберите Запустить сейчас под сообщением Попробуйте новую студию машинного обучения Azure.
3. При первом запуске студии может потребоваться указать каталог и подписку.
4. В студии выберите Наборы данных, + Создать набор данных, Из веб-файлов. Откроется диалоговое окно Create dataset from web files
справа.
5. В студии выберите Наборы данных, + Создать набор данных, Из веб-файлов. Это откроет Create dataset from web files
диалоговое окно справа.
Предварительный просмотр набора данных
- На панели «Настройки и предварительный просмотр» установите для заголовков столбцов раскрывающееся значение
All files have same headers
. - Прокрутите предварительный просмотр данных вправо, чтобы увидеть целевой столбец:
totalAmount
. По завершении просмотра данных нажмите Далее.
3. Выберите столбцы из набора данных, чтобы включить их в данные для обучения. Оставьте настройки по умолчанию и нажмите Далее.
4. Для создания набора данных подтверждаем сведения о наборе данных и выбираем Создать.
Создание нового конвейера обучения
- В студии выберите Дизайнер, +. Это откроет
visual pipeline authoring editor
.
Настроить вычислительную цель
- На панели настроек справа выберите Выбрать цель вычислений.
- В редакторе
Set up compute target
выберите доступное вычисление, а затем выберите Сохранить.
Примечание. Если вы столкнулись с трудностями при доступе к всплывающим окнам или кнопкам в пользовательском интерфейсе, обратитесь к разделу справки в лабораторной среде.
Добавить набор данных
- На левой панели навигации выберите раздел Наборы данных. Затем выберите Мои наборы данных, nyc-taxi-sample-data и перетащите выбранный набор данных на холст.
Разделить набор данных
- На левой панели навигации выберите раздел Преобразование данных. Следуйте инструкциям, описанным ниже:
- Выберите готовый модуль Разделить данные.
- Перетащите выбранный модуль на холст.
- Доля строк в первом выходном наборе данных: 0,7
- Подключите
Dataset
к модулюSplit Data
Обратите внимание, что вы можете отправить конвейер в любой момент для просмотра результатов и действий. Запущенный конвейер также генерирует метаданные, которые доступны для последующих действий, таких как выбор имен столбцов из списка в диалоговых окнах выбора.
Инициализировать регрессионную модель
- Выберите раздел Алгоритмы машинного обучения на левой панели навигации. Следуйте инструкциям, описанным ниже:
- Выберите готовый модуль Регрессия нейронной сети в категории «Регрессия».
- Перетащите выбранный модуль на холст.
- Создать режим тренера: Один параметр. Этот параметр указывает, как вы хотите обучать модель.
- Спецификация скрытого слоя: Полностью связанный корпус.
- Для скорости обучения: 0,01.
Примечание. Поскольку количество узлов на входном слое определяется количеством функций в обучающих данных, в регрессионной модели может быть только один узел на выходном слое.
Настройка модуля модели поезда
- На левой панели навигации выберите раздел Обучение модели. Следуйте инструкциям, описанным ниже:
- Выберите готовый модуль Модель поезда.
- Перетащите выбранный модуль на холст.
- Подключите модуль
Neural Network Regression
к первому входу модуляTrain Model
. - Подключите первый выход модуля
Split Data
ко второму входу модуляTrain Model
. - Щелкните ссылку Изменить столбец, чтобы открыть
Label column
редактор.
- Редактор
Label column
позволяет указать вашLabel or Target column
. Введите название столбца метки totalAmount и выберите Сохранить.
Настроить модуль модели оценки
- Выберите раздел Оценка и оценка модели на левой панели навигации. Следуйте инструкциям, описанным ниже:
- Выберите готовый модуль Score Model.
- Перетащите выбранный модуль на холст.
- Подключите модуль
Train Model
к первому входу модуляScore Model
. - Подключите второй выход модуля
Split Data
ко второму входу модуляScore Model
.
Обратите внимание, что модуль Split Data
будет передавать данные как для обучения модели, так и для оценки модели. Первый выход (доля 0,7) соединится с модулем Train Model
, а второй выход (доля 0,3) будет соединен с модулем Score Model
.
Настройка модуля оценки модели
- Выберите раздел Оценка и оценка модели на левой панели навигации. Следуйте инструкциям, описанным ниже:
- Выберите готовый модуль Evaluate Model.
- Перетащите выбранный модуль на холст.
- Подключите модуль
Score Model
к первому входу модуляEvaluate Model
.
Отправить обучающий канал
- Выберите Отправить, чтобы открыть
Setup pipeline run
редактор.
В Setup pipeline run editor
выберите Эксперимент, Создать и укажите New experiment name:
регрессию нейронной сети, а затем выберите Отправить.
Дождитесь завершения работы трубопровода. Для завершения цикла потребуется около 8 минут.
Пока вы ждете завершения обучения модели, вы можете узнать больше об алгоритме обучения, используемом в этой лабораторной работе, выбрав Модуль регрессии нейронной сети.
Визуализируйте прогнозы модели
- Выберите Модель оценки, Выходы, Визуализировать, чтобы открыть диалоговое окно
Score Model result visualization
, или просто щелкните правой кнопкой мыши модульScore Model
и выберите Визуализировать набор данных с оценкой.
Обратите внимание на прогнозируемые значения в столбце Ярлыки с оценками. Вы можете сравнить прогнозируемые значения (Scored Labels
) с фактическими значениями (totalAmount
).
Визуализируйте результаты оценки
- Выберите Оценить модель, Выходные данные, Визуализировать, чтобы открыть
Evaluate Model result visualization
диалоговое окно, или просто щелкните правой кнопкой мыши модульEvaluate Model
и выберите Визуализировать результаты оценки.
Оцените производительность модели, просмотрев различные показатели оценки, такие как Средняя абсолютная ошибка, Среднеквадратичная ошибка и т. Д.
Следующие шаги
Поздравляю! Вы обучили простую модель нейронной сети, используя предварительно созданный модуль регрессии нейронной сети в визуальном конструкторе AML.