LpNormNormalizingEstimator Třída

Definice

Obor názvů:

Microsoft.ML.Transforms

Sestavení:

Microsoft.ML.Transforms.dll

Balíček:

Microsoft.ML v3.0.1

Normalizuje vektory (škály) ve vstupním sloupci na normu jednotek. Typ normy, kterou uživatel používá, může určit.

public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBase

type LpNormNormalizingEstimator = class
    inherit LpNormNormalizingEstimatorBase

Public NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase

Dědičnost

Object

TrivialEstimator<LpNormNormalizingTransformer>

LpNormNormalizingEstimatorBase

LpNormNormalizingEstimator

Poznámky

Charakteristiky estimátoru

Potřebuje tento estimátor podívat se na data, aby vytrénovala jeho parametry?	No
Datový typ vstupního sloupce	Vektor Single
Datový typ výstupního sloupce	Vektor Single
Exportovatelné do ONNX	Yes

Výsledné LpNormNormalizingTransformer vektory normalizují ve vstupním sloupci jednotlivě tak, že je znovu škálují na normu jednotek.

Nechte $x$ vstupní vektor, $n$ velikost vektoru, $L(x)$ normu vybranou uživatelem. Let $\mu(x) = \sum_i x_i / n$ být průměrem hodnot vektoru $x$. Provede LpNormNormalizingTransformer následující operaci pro každý vstupní vektor $x$: $y = \frac{x - \mu(x)}{L(x)}$, pokud uživatel určí, že střední hodnota by měla být nula, nebo jinak: $y = \frac{x}{L(x)}$

Existují čtyři typy norm, které může uživatel vybrat, aby se použil na vstupní vektor $x$. Jsou definovány takto:

• L1: $L_1(x) = \sum_i |x_i|$
• L2: $L_2(x) = \sqrt{\sum_i x_i^2}$
• Infinity: $L_{\infty}(x) = \max_i{|x_i|} $
• StandardDeviation: $L_\sigma(x)$ je definován jako směrodatná odchylka prvků vstupního vektoru $x$

Odkazy na příklady použití najdete v části Viz také.

Metody

Fit(IDataView)	Normalizuje vektory (škály) ve vstupním sloupci na normu jednotek. Typ normy, kterou uživatel používá, může určit. (Zděděno od TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	SchemaShape Vrátí schéma, které bude vytvořen transformátorem. Používá se pro šíření a ověřování schématu v kanálu. (Zděděno od LpNormNormalizingEstimatorBase)

Metody rozšíření

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

Připojte k řetězci estimátoru kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby podřízené estimátory byly vytrénovány 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 zalamovací objekt, který zavolá delegáta jednou Fit(IDataView) . Často je důležité, aby odhadovač vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně typ objekt, nikoli jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec estimátorů, kde EstimatorChain<TLastTransformer> je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, zakopán někde v tomto řetězci. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po zavolání fit.

Viz také

• NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)