LdSvmTrainer 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.
Das IEstimator<TTransformer> Ziel mithilfe eines nicht linearen binären Klassifizierungsmodells, das mit Local Deep SVM trainiert wurde, vorherzusagen.
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)- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie LdSvm oder LdSvm(Options).
Eingabe- und Ausgabespalten
Die Daten in der Spalte für die Eingabezeichnung müssen Boolean 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 berechnete ungebundene Bewertung. |
PredictedLabel |
Boolean | Der vorhergesagte Bezeichnung, basierend auf dem Abzeichnen der Bewertung. Eine negative Bewertung wird false und eine positive Bewertung wird true zugeordnet. |
Trainereigenschaften
| ML-Aufgabe | Binäre Klassifizierung |
| Ist die Normalisierung erforderlich? | Yes |
| Ist zwischenspeichern erforderlich? | No |
| Erforderliche NuGet zusätzlich zu Microsoft.ML | Keine |
| Exportierbar in ONNX | No |
Schulungsalgorithmusdetails
Local Deep SVM (LD-SVM) ist eine Generalisierung des lokalisierten Multiple Kernel Learning für nicht lineare SVM. Mehrere Kernelmethoden lernen einen anderen Kernel und somit einen anderen Klassifizierer für jeden Punkt im Featurebereich kennen. Die Vorhersagezeitkosten für mehrere Kernelmethoden können für große Schulungssätze verboten teuer sein, da sie proportional zur Anzahl der Supportvektoren ist, und diese wachsen linear mit der Größe des Schulungssatzes. LD-SVM reduziert die Vorhersagekosten, indem sie ein baumbasiertes lokales Feature einbetten, das hochdimensionale und sparsame, effiziente Codierung von Nicht-Linearitäten ist. Mithilfe von LD-SVM wächst die Prognosekosten logarithmisch mit der Größe des Schulungssatzes, anstatt linear, mit einem tolerierbaren Verlust in der Klassifizierungsgenauigkeit.
Local Deep SVM ist eine Implementierung des algorithmus, der in C. Jose, P. Goyal, P. Aggrwal und M. Varma, Local Deep Kernel Learning for Efficient Non-linear SVM Prediction, ICML, 2013 beschrieben 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 Bezeichnungsspalte, die der Trainer erwartet. Kann sein |
| WeightColumn |
Die Gewichtsspalte, die der Trainer erwartet. |
Eigenschaften
| Info |
Das IEstimator<TTransformer> Ziel mithilfe eines nicht linearen binären Klassifizierungsmodells, das mit Local Deep SVM trainiert wurde, vorherzusagen. |
Methoden
| Fit(IDataView) |
Züge und zurückgeben eine ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Das IEstimator<TTransformer> Ziel mithilfe eines nicht linearen binären Klassifizierungsmodells, das mit Local Deep SVM trainiert wurde, vorherzusagen. (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. |