GamRegressionTrainer Třída

Definice

Obor názvů:

Microsoft.ML.Trainers.FastTree

Sestavení:

Microsoft.ML.FastTree.dll

Balíček:

Microsoft.ML.FastTree v2.0.0

Trénování IEstimator<TTransformer> regresního modelu s generalizovanými doplňkovými modely (GAM).

public sealed class GamRegressionTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>

type GamRegressionTrainer = class
    inherit GamTrainerBase<GamRegressionTrainer.Options, RegressionPredictionTransformer<GamRegressionModelParameters>, GamRegressionModelParameters>

Public NotInheritable Class GamRegressionTrainer
Inherits GamTrainerBase(Of GamRegressionTrainer.Options, RegressionPredictionTransformer(Of GamRegressionModelParameters), GamRegressionModelParameters)

Dědičnost

Object

TrainerEstimatorBase<TTransformer,TPredictor>

GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>

GamRegressionTrainer

Poznámky

K vytvoření tohoto trenéra použijte Gam nebo Gam(Možnosti).

Vstupní a výstupní sloupce

Vstupní data sloupce popisku musí být Single. Vstupními funkcemi musí být data sloupců známého vektoru Singlevelikosti .

Tento trenér vypíše následující sloupce:

Název výstupního sloupce	Typ sloupce	Description
Score	Single	Nevázané skóre, které model předpověděl.

Charakteristiky trenéra

Úloha strojového učení	Regrese
Vyžaduje se normalizace?	No
Vyžaduje se ukládání do mezipaměti?	No
Povinné nuGet kromě Microsoft.ML	Microsoft.ML.FastTree
Exportovatelný do ONNX	No

Podrobnosti o trénovacím algoritmu

Generalizované doplňkové modely nebo GAM modelují data jako sadu lineárních nezávislých funkcí podobných lineárnímu modelu. Pro každou funkci se trenér GAM naučí nelineární funkci označovanou jako "tvarová funkce", která vypočítá odpověď jako funkci hodnoty funkce. (Naproti tomu lineární model odpovídá lineární odpovědi (např. čárě) ke každé funkci.) Pokud chcete získat skóre vstupu, výstupy všech funkcí obrazce se sčítají a skóre je celková hodnota.

Tento trenažér GAM se implementuje pomocí plýšových přechodových stromů (např. stromových stumpů) k učení neparametrické funkce obrazce a je založen na metodě popsané v Lou, Caruana a Gehrke. "Intelligible Models for Classification and Regression" (Intelligible Models for Classification and Regression). KDD'12, Peking, Čína. 2012. Po trénování se přidá zachytávání, které představuje průměrnou předpověď v trénovací sadě a funkce obrazců jsou normalizovány tak, aby představovaly odchylku od průměrné předpovědi. Výsledkem jsou modely, které jsou snadno interpretovány jednoduše kontrolou průsečíku a funkcí obrazce. Příklad trénování modelu GAM a kontrola a interpretace výsledků najdete v následující ukázce.

V části Viz také najdete odkazy na příklady použití.

Pole

FeatureColumn	Sloupec funkcí, který trenér očekává. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Sloupec popisku, který trenér očekává. Může to být null, což označuje, že popisek se nepoužívá pro trénování. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Sloupec hmotnosti, který trenér očekává. Může být null, což značí, že váha se nepoužívá pro trénování. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Vlastnosti

Info	Trénování IEstimator<TTransformer> regresního modelu s generalizovanými doplňkovými modely (GAM). (Zděděno od GamTrainerBase<TOptions,TTransformer,TPredictor>)

Metody

Fit(IDataView)	Vlaky a vrátí ITransformerhodnotu . (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)	GamRegressionTrainer Trénování pomocí trénovacích i ověřovacích dat vrátí RegressionPredictionTransformer<TModel>hodnotu .
GetOutputSchema(SchemaShape)	Trénování IEstimator<TTransformer> regresního modelu s generalizovanými doplňkovými modely (GAM). (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Metody rozšíření

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Připojte k řetězci odhadu kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby se podřízené estimátory natrénovaly na data uložená v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Pokud získáte odhadátor, vraťte obtékání objektu, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně zadaný objekt, a ne jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadovačů prostřednictvím EstimatorChain<TLastTransformer> toho, kde je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, uložen někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po volání fit.

Viz také

• Gam(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Double)
• Gam(RegressionCatalog+RegressionTrainers, GamRegressionTrainer+Options)
• GamRegressionTrainer.Options