LdSvmTrainer Třída

Reference

Definice

Obor názvů:: Microsoft.ML.Trainers

Sestavení:: Microsoft.ML.StandardTrainers.dll

Balíček:: Microsoft.ML v3.0.1

Balíček:: Microsoft.ML v1.5.5

Balíček:: Microsoft.ML v1.6.0

Balíček:: Microsoft.ML v1.7.0

Balíček:: Microsoft.ML v2.0.0

Důležité

Některé informace platí pro předběžně vydaný produkt, který se může zásadně změnit, než ho výrobce nebo autor vydá. Microsoft neposkytuje žádné záruky, výslovné ani předpokládané, týkající se zde uváděných informací.

Předpověď IEstimator<TTransformer> cíle pomocí nelineárního binárního klasifikačního modelu natrénovaného pomocí místního hlubokého SVM

public sealed class LdSvmTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LdSvmModelParameters>,Microsoft.ML.Trainers.LdSvmModelParameters>

type LdSvmTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>, LdSvmModelParameters>

Public NotInheritable Class LdSvmTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of LdSvmModelParameters), LdSvmModelParameters)

Dědičnost: Object

TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>,LdSvmModelParameters>
LdSvmTrainer

Poznámky

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

Vstupní a výstupní sloupce

Vstupní data sloupce popisku musí být Boolean. 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 byl vypočítán modelem.
`PredictedLabel`	Boolean	Predikovaný popisek na základě znaménka skóre Záporná mapa `false` skóre a pozitivní skóre mapuje na `true`.

Charakteristiky trenéra


Úloha strojového učení	Binární klasifikace
Vyžaduje se normalizace?	Yes
Vyžaduje se ukládání do mezipaměti?	No
Povinné nuGet kromě Microsoft.ML	Žádné
Exportovatelný do ONNX	No

Podrobnosti o trénovacím algoritmu

Local Deep SVM (LD-SVM) je generalizace lokalizovaného vícejádrových učení pro nelineární SVM. Několik metod jádra se naučí jiné jádro, a proto jiný klasifikátor pro každý bod v prostoru funkcí. Náklady na predikci pro více metod jádra mohou být pro velké trénovací sady příliš nákladné, protože je úměrné počtu podpůrných vektorů a tyto metody se zvětšují lineárně s velikostí trénovací sady. LD-SVM snižuje náklady na predikci tím, že se naučíte místní funkci založenou na stromové struktuře vkládání, která je vysoce dimenzionální a řídká a efektivně kóduje nelineární vlastnosti. Při použití LD-SVM se náklady na predikce logaritmicky s velikostí trénovací sady, nikoli lineární, s tolerovatelnou ztrátou v přesnosti klasifikace.

Local Deep SVM je implementace algoritmu popsaného v C. Jose, P. Goyal, P. Aggrwal a M. Varma, místní hluboké učení jádra pro efektivní nelineární predikci SVM, ICML, 2013.

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	Předpověď IEstimator<TTransformer> cíle pomocí nelineárního binárního klasifikačního modelu natrénovaného pomocí místního hlubokého SVM

Metody

Fit(IDataView)	Vlaky a vrátí ITransformerhodnotu . (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Předpověď IEstimator<TTransformer> cíle pomocí nelineárního binárního klasifikačního modelu natrénovaného pomocí místního hlubokého SVM (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.

Platí pro