Microsoft techniczne sieci neuronowe algorytmu

Kilka kroków są zaangażowane w dane szkolenia model wyszukiwania używający Microsoft sieci neuronowe algorytmu.Wartości określające parametry algorytmu silnie wpływa na następujące kroki.

Algorytm najpierw ocenia i wyodrębnia szkolenia dane ze źródło danych.Procent dane szkolenia, zwane dane wstrzymania, jest zarezerwowana do użytku w ocenie dokładności sieci.Podczas całego procesu szkolenia sieci jest oceniany bezpośrednio po każdej iteracji w dane szkolenia.Gdy już powoduje zwiększenie dokładności procesu szkolenia jest zatrzymana.

Wartości SAMPLE_SIZE i HOLDOUT_PERCENTAGE Parametry są używane do określania liczby przypadków do próbkowania danych szkolenia i liczbę przypadków, być odłożone dla dane wstrzymania.Wartość HOLDOUT_SEED parametr jest używany do określenia losowo indywidualnych przypadkach być odłożone dla dane wstrzymania.

Algorytm dalej określa liczbę i złożoność sieci, model wyszukiwania obsługuje.model wyszukiwania zawiera jeden lub więcej atrybutów, które są używane tylko do przewidywanie, algorytm tworzy pojedynczej sieci, reprezentującą takie atrybuty.Jeśli model wyszukiwania zawiera jeden lub więcej atrybut, które są używane do wprowadzania i przewidywanie, dostawca algorytm konstrukcje sieci dla każdego atrybut.

Wejściowe i przewidywalny atrybuty dyskretnych wartości Każda neuron wejściowego lub wyjściowego reprezentuje odpowiednio jednego Państwa.Wejściowe i przewidywalny atrybuty, które mają stałe wartości każdego wejścia lub wyjścia neuron odpowiednio reprezentuje zakres i dystrybucji wartości dla atrybut.Maksymalna liczba państw, obsługiwany w każdym przypadek zależy od wartości MAXIMUM_STATES parametr algorytmu.Jeśli liczba Państw dla określonego atrybut, przekracza wartość MAXIMUM_STATES parametr algorytmu wybrano państw najbardziej popularnych lub istotne dla tego atrybut, maksymalnie do maksymalnej liczby dozwolonych, Państwa i pozostałe Państwa są pogrupowane jako brakujące wartości do celów analizy.

Algorytm wykorzystuje wartość HIDDEN_NODE_RATIO parametr podczas określania początkowy numer neurons, aby utworzyć warstwy ukryte.zestaw HIDDEN_NODE_RATIO 0, aby zapobiec tworzeniu warstwy ukryte w sieciach, które generuje algorytm dla model wyszukiwania, zaliczenie sieci neuronowe logistyczne regresja.

Dostawca algorytm wielokrotnie powtarzane ocenia wagę dla wszystkich danych wejściowych przez sieć w tym samym czas, zestaw danych szkolenia, wcześniej zarezerwowana i porównywania rzeczywistej znanej wartości dla każdego przypadek w wstrzymanie danych z sieci przewidywanie, w proces znany jako nauki partia.Po algorytm oceniła cały zestaw kształcenia danych, algorytm przegląda przewidywanych i rzeczywistych wartości dla każdego neuron.Algorytm oblicza błędu, jeśli i dostosowuje wagi skojarzonych z wejścia dla tego neuron pracy wstecz z neurons dane wyjściowe do wprowadzania neurons w proces znany jako backpropagation.Następnie algorytm powtarza cały proces przez cały zestaw danych szkoleniowych.Ponieważ algorytm można obsługiwać wiele wag i wyjścia neurons, koniugat algorytm gradientu jest używana do przeprowadzenia procesu szkolenia przypisywanie i oceny wagi dla danych wejściowych.Omówienie koniugat algorytm gradientu jest poza zakres tej dokumentacji.

Jeśli liczba danych wejściowych atrybutów jest większa niż wartość MAXIMUM_INPUT_ATTRIBUTES parametr, lub jeśli liczba atrybutów przewidywalne jest większa niż wartość MAXIMUM_OUTPUT_ATTRIBUTES parametr algorytmu wyboru funkcja jest używana do zmniejszenia złożoności sieci, które są uwzględnione w model wyszukiwania.Wybieranie funkcji zmniejsza liczbę atrybutów przewidywalnego lub wejściowe do tych, które są najbardziej statystycznie istotne do modelu.

Wybieranie funkcji jest automatycznie używany przez wszystkie Usługi Analysis Services algorytmów wyszukiwanie danych w celu poprawy analizy i zmniejszyć obciążenia przetwarzania.Metoda używana dla funkcji zaznaczenia w modelach sieci neuronowe zależy od typu danych atrybut.W poniższej tabela przedstawiono metody zaznaczania funkcja używana dla sieci neuronowe modeli dla odwołania i zawiera także funkcję metody zaznaczania algorytm regresją oparte na algorytmie sieci neuronowe.

Parametry algorytmu, kontrolujących wybieranie funkcji modelu sieci neuronowe są MAXIMUM_INPUT_ATTRIBUTES, MAXIMUM_OUTPUT_ATTRIBUTES i MAXIMUM_STATES.Można także kontrolować liczbę warstw ukrytych przez ustawienie parametru HIDDEN_NODE_RATIO.

Punktacja jest rodzajem normalizacji, która w kontekście kształcenia model sieci neuronowe oznacza proces konwertowania wartości, takie jak etykietę tekstową discrete na wartość, która może być w porównaniu z innymi typami danych wejściowych i ważone w sieci.Na przykład jeśli jeden atrybut wejściowy jest płci i możliwe wartości to samców i samic, a inny atrybut wejściowy jest dochód, z zakres wartości zmiennej, wartości dla każdego atrybutu nie są bezpośrednio porównywalne i dlatego muszą być kodowane do wspólnej skali, dzięki czemu można obliczyć wagi.Punktacja jest procesem normalizowanie takie dane wejściowe do wartości numeryczne: w szczególności aby zakres prawdopodobieństwa.Funkcje używane do normalizacji pomagają rozpowszechniać wartość wejściowa bardziej równomiernie na skalę jednolitego tak, aby wartości skrajnych nie zniekształcić wyniki analizy.

Wyjść sieci neuronowe są również kodowane.Kiedy istnieje jeden miejsce docelowe wyjściowy (czyli przewidywanie) lub wiele elementów miejsce docelowe, które są używane do przewidywanie tylko nie dla danych wejściowych, model tworzenie pojedynczej sieci i wydaje nie normalizowanie wartości.Jednak wiele atrybutów są używane do wprowadzania i przewidywanie, model należy utworzyć wiele sieci; Dlatego wszystkie wartości muszą być znormalizowane i wyjść zbyt muszą być kodowane zgodnie z ich zakończenia sieci.

Kodowanie danych wejściowych jest oparty na zsumowanie poszczególnych dyskretnych wartości w przypadkach szkolenia i pomnożenie wartości przez jego wagę.Jest to sumy ważonej w, który jest przekazywany do funkcja aktywacja w ukrytej warstwie.Wynik z jest używany do kodowania, w następujący sposób:

Dyskretnych wartości

Μ = p — prawdopodobieństwo wcześniejszego stanu

OdchStd = sqrt(p(1-p))

Wartości stałe

Obecna wartość = 1 - μ i σ

Nie istniejącą wartość = - μ i σ

Po wartości są zakodowane, nakładów przejść przez zsumowanie ważonej, krawędzie sieci jako wagi.

Kodowanie wyjściowe używa funkcja sigmoid, która ma właściwości, które bardzo użyteczna do przewidywanie.Takiej właściwość jest fakt, że niezależnie od sposobu skalowania oryginalne wartości, i niezależnie od tego, czy wartości są dodatnia lub ujemna, wyjścia z tej funkcja jest zawsze wartości między 0 i 1, który jest odpowiedni do oszacowania prawdopodobieństwa.Innej właściwość użyteczne jest, że efekt wygładzania, funkcja sigmoid tak jak wartości przesuwa się dalej od punktu przegięcia, prawdopodobieństwo wartości posunięć w kierunku 0 lub 1, ale powoli.

W poniższej tabela opisano parametry, które mogą być używane z algorytmu sieci neuronowe firmy Microsoft.

• HIDDEN_NODE_RATIO
  Określa stosunek ukryte neurons do wejścia i wyjścia neurons.Następująca formuła: Określa początkową liczbę neurons w ukrytej warstwie:

  HIDDEN_NODE_RATIO * SQRT (suma wprowadzania neurons * całkowita wyjściowe neurons)

  Wartość domyślna to 4,0.

• HOLDOUT_PERCENTAGE
  Określa procent przypadków w dane szkolenia, użyte do obliczenia błąd wstrzymanie, który jest używany jako część kryteriów zatrzymania podczas szkolenia model wyszukiwania.

  Wartość domyślna to 30.

• HOLDOUT_SEED
  Określa numer, który jest używany do materiału siewnego pseudolosowych generator, gdy losowo Określa algorytm dane wstrzymania.Jeśli ten parametr jest zestaw 0, algorytm generuje materiału siewnego na podstawie nazwy modelu górnictwa, aby zagwarantować, że zawartość modelu pozostaje taka sama podczas ponownego przetwarzania.

  Wartość domyślna to 0.

• MAXIMUM_INPUT_ATTRIBUTES
  Określa maksymalną liczbę wejściowych atrybutów, które mogą być dostarczane do algorytmu przed Wybieranie funkcji jest zatrudniony.Ustawienie wartości 0 powoduje wyłączenie zaznaczenia funkcji wprowadzania atrybutów.

  Wartość domyślna to 255.

• MAXIMUM_OUTPUT_ATTRIBUTES
  Określa maksymalną liczbę atrybutów wyjścia, które mogą być dostarczane do algorytmu przed zatrudnionych Wybieranie funkcji.Ustawienie wartości 0 powoduje wyłączenie funkcji zaznaczenia Wyjście atrybutów.

  Wartość domyślna to 255.

• MAXIMUM_STATES
  Określa maksymalną liczbę discrete Państwa na atrybut, który jest obsługiwany przez algorytm.Jeśli liczba Państw dla określonego atrybut jest większa niż liczba określona dla tego parametru, algorytm wykorzystuje większość popularnych Państwa dla tego atrybut i traktuje jako brakujące pozostałe Państwa.

  Wartość domyślna to 100.

• SAMPLE_SIZE
  Określa liczbę przypadków, zostanie wykorzystana na szkolić modelu.Algorytm używa tego numeru lub procent sumy nie uwzględnione w przypadkach dane wstrzymania określone przez parametr wstrzymanie_PERCENTAGE, niezależnie od wartości jest mniejsza.

  Innymi słowy Jeśli jest HOLDOUT_PERCENTAGE zestaw 30, używa algorytmu wartość tego parametru lub wartość równą 70 procent całkowitej liczby przypadków, mniejsza.

  Wartość domyślna to 10000.

Obsługiwane są następujące flagi modelowania do użytku z Microsoft sieci neuronowe algorytmu.

• NOT NULL
  Wskazuje, że kolumna nie może zawierać wartość null.Spowoduje błąd, jeśli usługi Analysis Services napotka null podczas szkolenia modelu.

  Stosuje się do struktura wyszukiwania kolumny.

• MODEL_EXISTENCE_ONLY
  Wskazuje model tylko należy rozważyć czy istnieje wartość atrybut lub jeśli wartość Brak.Dokładna wartość nie ma znaczenia.

  Stosuje się do model wyszukiwania kolumny.

Obsługiwane są następujące flagi dystrybucji do użytku z Microsoft sieci neuronowe algorytmu.Flagi są wykorzystywane jako wskazówki do modelu Algorytm wykrywa różnych dystrybucji zostanie użyte znaleziony rozkład, nie dystrybucji w wskazówka.

• Normalny
  Wskazuje, że wartości kolumna powinny być traktowane tak, jakby reprezentują rozkładu normalnego lub gaussowskie.

• Jednolite
  Wskazuje, że wartości kolumna powinny być traktowane tak, jakby są rozłożone w sposób jednolity; oznacza to, że prawdopodobieństwo wartości jest w przybliżeniu równa i jest funkcja z całkowitej liczby wartości.

• Normalny dziennika
  Wskazuje, że wartości kolumna powinny być traktowane tak, jakby dystrybuowane zgodnie z dziennika normalnej krzywej, która oznacza logarytm naturalny wartości jest zwykle rozpowszechniane.

Microsoft Sieci neuronowe algorytm obsługuje określonych kolumn danych wejściowych i przewidywalny kolumn, które są wymienione w poniższej tabela.