SymbolicSgdLogisticRegressionBinaryTrainer Třída

Definice

Obor názvů:

Microsoft.ML.Trainers

Sestavení:

Microsoft.ML.Mkl.Components.dll

Balíček:

Microsoft.ML.Mkl.Components v5.0.0-preview.1.25125.4

Zdroj:

SymSgdClassificationTrainer.cs

Predikce IEstimator<TTransformer> cíle pomocí lineárního binárního klasifikačního modelu natrénovaného symbolickým stochastickým gradientním sestupem.

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<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 SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Dědičnost

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

Poznámky

K vytvoření tohoto trenéra použijte SymbolStochasticGradientDescent nebo SymbolStochasticGradientDescent(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	Microsoft.ML.Mkl.Components
Exportovatelné do ONNX	Ano

Podrobnosti trénovacího algoritmu

Symbolický stochastický gradientní sestup je algoritmus, který vytváří jeho předpovědi vyhledáním oddělení nadrovů. Například s hodnotami funkcí $f 0, f1,..., f_{D-1}$, je předpověď uvedena určením strany nadrovnice, do které části bodu spadá. To je stejné jako znaménko váženého součtu funkce, tj. $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, kde $w_0, w_1,..., w_{D-1}$ jsou váhy vypočítané algoritmem a $b$ je odchylka vypočítaná algoritmem.

Zatímco většina symbolických algoritmů stochastického gradientního sestupu je ze své podstaty sekvenční – v každém kroku závisí zpracování aktuálního příkladu na parametrech získaných z předchozích příkladů. Tento algoritmus trénuje místní modely v samostatných vláknech a kobabilistickém modelu, který umožňuje sloučení místních modelů, aby vznikl stejný výsledek jako sekvenční symbolický stochastický gradientní sestup v očekávání.

Další informace naleznete v tématu Paralelní stochastický gradientní sestup s kombinátory zvuku.

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 binárního klasifikačního modelu natrénovaného symbolickým stochastickým gradientním sestupem.

Metody

Name	Description
Fit(IDataView, LinearModelParameters)	Pokračuje v trénování SymbolicSgdLogisticRegressionBinaryTrainer používání již vytrénovaného modelParameters objektu Microsoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	Vlaky a vrací .ITransformer (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Predikce IEstimator<TTransformer> cíle pomocí lineárního binárního klasifikačního modelu natrénovaného symbolickým stochastickým gradientním sestupem. (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

• SymbolicSgdLogisticRegressionBinaryTrainer.Options
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)