LbfgsPoissonRegressionTrainer 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 IEstimator<TTransformer> die Schulung eines Poisson-Regressionsmodells.
public sealed class LbfgsPoissonRegressionTrainer : Microsoft.ML.Trainers.LbfgsTrainerBase<Microsoft.ML.Trainers.LbfgsPoissonRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.PoissonRegressionModelParameters>,Microsoft.ML.Trainers.PoissonRegressionModelParameters>type LbfgsPoissonRegressionTrainer = class
inherit LbfgsTrainerBase<LbfgsPoissonRegressionTrainer.Options, RegressionPredictionTransformer<PoissonRegressionModelParameters>, PoissonRegressionModelParameters>Public NotInheritable Class LbfgsPoissonRegressionTrainer
Inherits LbfgsTrainerBase(Of LbfgsPoissonRegressionTrainer.Options, RegressionPredictionTransformer(Of PoissonRegressionModelParameters), PoissonRegressionModelParameters)- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie LbfgsPoissonRegression oder LbfgsPoissonRegression(Options).
Eingabe- und Ausgabespalten
Die Daten in der Spalte für die Eingabezeichnung müssen Single sein. Die Spaltendaten der Eingabefeatures müssen ein bekannter Vektor sein Single.
Der Trainer gibt folgende Spalten aus:
| Name der Ausgabespalte | Spaltentyp | BESCHREIBUNG |
|---|---|---|
Score |
Single | Die ungebundene Bewertung, die vom Modell vorhergesagt wurde. |
Trainereigenschaften
| ML-Aufgabe | Regression |
| Ist normalisierung erforderlich? | Yes |
| Ist zwischenspeichern erforderlich? | No |
| Erforderliches NuGet zusätzlich zu Microsoft.ML | Keine |
| Exportierbar in ONNX | Yes |
Details des Schulungsalgorithmus
Poisson Regression ist eine parametrisierte Regressionsmethode. Es wird davon ausgegangen, dass das Protokoll des bedingten Mittelwerts der abhängigen Variable eine lineare Funktion der abhängigen Variablen folgt. Vorausgesetzt, die abhängige Variable folgt einer Poisson-Verteilung, können die Regressionsparameter geschätzt werden, indem die Wahrscheinlichkeit der abgerufenen Beobachtungen maximiert wird.
Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Verwendungsbeispielen zu finden.
Felder
| FeatureColumn |
Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Die Beschriftungsspalte, die der Trainer erwartet. Kann sein |
| WeightColumn |
Die Gewichtungsspalte, die der Trainer erwartet. Kann sein |
Eigenschaften
| Info |
Für IEstimator<TTransformer> die Schulung eines Poisson-Regressionsmodells. (Geerbt von LbfgsTrainerBase<TOptions,TTransformer,TModel>) |
Methoden
| Fit(IDataView, LinearModelParameters) |
Setzt die Schulung einer LbfgsPoissonRegressionTrainer bereits trainierten |
| Fit(IDataView) |
Züge und gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Für IEstimator<TTransformer> die Schulung eines Poisson-Regressionsmodells. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
Erweiterungsmethoden
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Wenn sie eine Schätzung erhalten, geben Sie ein Umbruchobjekt zurück, das einen Delegaten aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen darüber zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformerObjekt zurückzugeben. IEstimator<TTransformer> Gleichzeitig werden jedoch häufig Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern erstellen, über EstimatorChain<TLastTransformer> 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 aufgerufen wird, sobald sie aufgerufen wird. |