LbfgsLogisticRegressionBinaryTrainer Třída

Definice

Obor názvů:

Microsoft.ML.Trainers

Sestavení:

Microsoft.ML.StandardTrainers.dll

Balíček:

Microsoft.ML v5.0.0-preview.1.25125.4

Zdroj:

LogisticRegression.cs

Predikce IEstimator<TTransformer> cíle pomocí lineárního logistického regresního modelu natrénovaného metodou L-BFGS.

public sealed class LbfgsLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.LbfgsTrainerBase<Microsoft.ML.Trainers.LbfgsLogisticRegressionBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type LbfgsLogisticRegressionBinaryTrainer = class
    inherit LbfgsTrainerBase<LbfgsLogisticRegressionBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class LbfgsLogisticRegressionBinaryTrainer
Inherits LbfgsTrainerBase(Of LbfgsLogisticRegressionBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Dědičnost

Object

TrainerEstimatorBase<TTransformer,TModel>

LbfgsTrainerBase<LbfgsLogisticRegressionBinaryTrainer.Options,BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

LbfgsLogisticRegressionBinaryTrainer

Poznámky

K vytvoření tohoto trenéra použijte LbfgsLogisticRegression nebo LbfgsLogisticRegression(Options).

Vstupní a výstupní sloupce

Vstupní data sloupce štítku musí být Boolean. Vstupními funkcemi musí být data sloupců známým vektorem Singlevelikosti .

Tento trenér vypíše následující sloupce:

Název výstupního sloupce	Typ sloupce	Description
Score	Single	Nevázané skóre, které model vypočítal.
PredictedLabel	Boolean	Předpovězený popisek, který je založen na znaménku skóre. Záporné skóre se mapuje na false a pozitivní skóre se mapuje na true.
Probability	Single	Pravděpodobnost vypočítaná kalibrací skóre hodnoty true jako popisku. Hodnota pravděpodobnosti je v rozsahu [0, 1].

Charakteristiky trenéra

Úloha strojového učení	Binární klasifikace
Vyžaduje se normalizace?	Ano
Vyžaduje se ukládání do mezipaměti?	No
Požadovaný NuGet kromě Microsoft.ML	None
Exportovatelné do ONNX	Ano

Bodovací funkce

Lineární logistická regrese je variantou lineárního modelu. Mapuje vektor funkce $\textbf{x} \in {\mathbb R}^n$ na skalár přes $\hat{y}\left( \textbf{x} \right) = \textbf{w}^T \textbf{x} + b = \sum_{j=1}^n w_j x_j + b$, kde $x_j$ je hodnota funkce $j$-th, $j$-th prvek $\textbf{w}$ je koeficient $j$-th, a $b$ jsou poučitelné předsudky. Odpovídající pravděpodobnost získání skutečného popisku je $\frac{1}{1 + e^{\hat{y}\left( \textbf{x} \right)}}$.

Podrobnosti trénovacího algoritmu

Technika optimalizace je založena na omezené paměti Broyden-Fletcher-Goldfarb-Shanno metoda (L-BFGS). L-BFGS je kvazi-Newtonská metoda , která nahrazuje nákladné výpočetní náklady hessian matice aproximací, ale stále má rychlou konvergenční rychlost, jako je newtonská metoda , kde je vypočítán plný Hessian matice. Vzhledem k tomu, že aproximace L-BFGS používá k výpočtu dalšího kroku pouze omezené množství historických stavů, je obzvláště vhodné pro problémy s vysokodimenzionálním vektorem funkce. Počet historických stavů je parametr zadaný uživatelem. Použití většího čísla může vést k lepší aproximaci hessianské matice, ale také k vyšším nákladům na výpočet na krok.

Regularizace je metoda, která může vykreslit problém, který je špatně zatížitelný tím, že ukládá omezení, která poskytují informace k doplnění dat a která brání přeurčení tím, že penalizuje velikost modelu obvykle měřenou některými normovými funkcemi. To může zlepšit generalizaci modelu získané výběrem optimální složitosti v kompromisu odchylky. Regularizace funguje tak, že k chybě hypotézy přidá penále, která je přidružená k hodnotám koeficientu. Přesný model s extrémními hodnotami koeficientů by byl penalizován více, ale méně přesný model s konzervativnějšími hodnotami by byl penalizován méně.

Tento learner podporuje elastickou net regularizaci: lineární kombinace L1-norm (LASSO), $|| \textbf{w} ||_1$ a L2-norm (ridge), $|| \textbf{w} ||_2^2$ regularizace. Regularizace L1-norm a L2-norm mají různé účinky a používají doplňky v určitých ohledech. Použití L1-norm může zvýšit sparsity trénované $\textbf{w}$. Při práci s vysoce dimenzionálními daty se zmenší malé váhy irelevantních funkcí na 0, a proto se při předpovědích neutratí žádný prostředek na tyto chybné funkce. Pokud se používá regularizace L1-norm, trénovací algoritmus je OWL-QN. Regularizace L2-norm je vhodnější pro data, která nejsou řídká a do značné míry penalizuje existenci velkých hmotností.

Agresivní regularizace (tj. přiřazení velkých koeficientů k termínům regularizace L1 nebo L2) může poškodit prediktivní kapacitu vyloučením důležitých proměnných z modelu. Proto je při použití logistické regrese důležitá volba správných regulárních koeficientů.

Odkazy na příklady použití najdete v části Viz také.

Pole

Name	Description
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	Váhový sloupec, který trenér očekává. Může být null, což označuje, že hmotnost není použita pro trénování. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Vlastnosti

Name	Description
Info	Predikce IEstimator<TTransformer> cíle pomocí lineárního logistického regresního modelu natrénovaného metodou L-BFGS. (Zděděno od LbfgsTrainerBase<TOptions,TTransformer,TModel>)

Metody

Name	Description
Fit(IDataView, LinearModelParameters)	Pokračuje v trénování LbfgsLogisticRegressionBinaryTrainer pomocí již natrénovaného modelParameters a vrátí hodnotu BinaryPredictionTransformer<TModel>.
Fit(IDataView)	Vlaky a vrací .ITransformer (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Predikce IEstimator<TTransformer> cíle pomocí lineárního logistického regresního modelu natrénovaného metodou L-BFGS. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Metody rozšíření

Name	Description
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	Připojte kontrolní bod ukládání do mezipaměti do řetězu odhadce. Tím zajistíte, aby podřízené estimátory byly natrénovány proti datům uloženým v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	Vzhledem k estimátoru vraťte objekt obtékání, 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 konkrétní typ objekt, spíše než jen obecný ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetěz odhadců prostřednictvím IEstimator<TTransformer> místa, kde odhadovač, EstimatorChain<TLastTransformer> pro který chceme získat transformátor, je někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po zavolání fit.

Viz také

• LbfgsLogisticRegressionBinaryTrainer.Options
• LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
• LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)