GamRegressionTrainer Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Für die IEstimator<TTransformer> Schulung eines Regressionsmodells mit generalisierten Additiven Modellen (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)- Vererbung
-
TrainerEstimatorBase<TTransformer,TPredictor>GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>GamRegressionTrainer
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie Gam oder Gam(Options).
Eingabe- und Ausgabespalten
Die Daten in der Spalte für die Eingabezeichnung müssen Single sein. Die Eingabefeatures-Spaltendaten müssen ein bekannter Vektor von Single.
Der Trainer gibt folgende Spalten aus:
| Name der Ausgabespalte | Spaltentyp | BESCHREIBUNG |
|---|---|---|
Score |
Single | Die von dem Modell vorhergesagte ungebundene Bewertung. |
Trainereigenschaften
| ML-Aufgabe | Regression |
| Ist die Normalisierung erforderlich? | No |
| Ist zwischenspeichern erforderlich? | No |
| Erforderliche NuGet zusätzlich zu Microsoft.ML | Microsoft.ML.FastTree |
| Exportierbar in ONNX | No |
Schulungsalgorithmusdetails
Generalisierte Additive Modelle oder GAMs modellieren die Daten als Reihe linear unabhängiger Features ähnlich wie ein lineares Modell. Für jedes Feature lernt der GAM-Trainer eine nicht lineare Funktion, die als "Shape-Funktion" bezeichnet wird, die die Antwort als Funktion des Features berechnet. (Im Gegensatz dazu passt ein lineares Modell eine lineare Antwort (z. B. eine Linie) zu jedem Feature.) Um eine Eingabe zu erzielen, werden die Ausgabe aller Shape-Funktionen zusammengefasst, und die Bewertung ist der Gesamtwert.
Dieser GAM-Trainer wird mithilfe von flachen Farbverlaufs- (z. B. Baumstummpen) implementiert, um nichtparametrische Formfunktionen zu lernen und basiert auf der in Lou, Caruana und Gehrke beschriebenen Methode. "Intelligible Modelle für Klassifizierung und Regression." KDD'12, Peking, China. 2012. Nach dem Training wird ein Abfangen hinzugefügt, um die durchschnittliche Vorhersage über den Schulungssatz darzustellen, und die Shape-Funktionen werden normalisiert, um die Abweichung von der durchschnittlichen Vorhersage darzustellen. Dies führt zu Modellen, die einfach interpretiert werden, indem sie die Abfangen- und Formfunktionen überprüfen. Sehen Sie sich das folgende Beispiel an, um ein GAM-Modell zu trainieren und die Ergebnisse zu überprüfen und zu interpretieren.
Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Beispielen der Verwendung zu finden.
Felder
| FeatureColumn |
Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Die Bezeichnungsspalte, die der Trainer erwartet. Kann sein |
| WeightColumn |
Die Gewichtsspalte, die der Trainer erwartet.
|
Eigenschaften
| Info |
Für die IEstimator<TTransformer> Schulung eines Regressionsmodells mit generalisierten Additiven Modellen (GAM). (Geerbt von GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Methoden
| Fit(IDataView, IDataView) |
Ruft eine GamRegressionTrainer Verwendung von Schulungs- und Validierungsdaten ab, gibt einen RegressionPredictionTransformer<TModel>Wert zurück. |
| Fit(IDataView) |
Züge und zurückgeben eine ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Für die IEstimator<TTransformer> Schulung eines Regressionsmodells mit generalisierten Additiven Modellen (GAM). (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
Erweiterungsmethoden
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherpunkt" an die Stimatorkette an. Dadurch wird sichergestellt, dass die nachgelagerten Stimatoren gegen zwischengespeicherte Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt zu haben, bevor Trainer, die mehrere Daten übergeben. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie aufgrund einer Schätzung ein Umbruchobjekt zurück, das einen Stellvertretung aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist oft wichtig, dass eine Schätzung Informationen zu dem zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein spezifisches typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformer. Gleichzeitig IEstimator<TTransformer> werden jedoch oft Pipelines mit vielen Objekten gebildet, sodass wir möglicherweise eine Kette von EstimatorChain<TLastTransformer> Schätzern erstellen müssen, über die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die einmal aufgerufen wird, wenn die Anpassung aufgerufen wird. |