LinearSvmTrainer 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 linearen binären Klassifizierungsmodells, das mit Linear SVM trainiert wurde, vorherzusagen.
public sealed class LinearSvmTrainer : Microsoft.ML.Trainers.OnlineLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>type LinearSvmTrainer = class
inherit OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>Public NotInheritable Class LinearSvmTrainer
Inherits OnlineLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie LinearSvm oder LinearSvm(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 | Yes |
Schulungsalgorithmusdetails
Linear SVM implementiert einen Algorithmus, der einen Hyperplan im Featurebereich für die binäre Klassifizierung findet, indem ein SVM-Problem gelöst wird. Mit Featurewerten $f_0, f_1,..., f_{D-1}$, wird die Vorhersage angegeben, indem sie bestimmt, in welche Seite der Hyperplane der Punkt fällt. Das entspricht dem Zeichen der gewichteten Summe der Feautures, d. h. $\sum_{i = 0}^{D-1} \left(w_i * f_i \right) + b$, wobei $w_0, w_1,..., w_{D-1}$ die Gewichtungen sind, die vom Algorithmus berechnet werden, und $b$ ist die vom Algorithmus berechnete Verzerrung.
Linear SVM implementiert die PEGASOS-Methode, die zwischen stochastischen Farbverlaufsschritten und Projektionsschritten wechselt, die in diesem Papier von Shalev-Shwartz, Singer und Srebro eingeführt wurden.
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 linearen binären Klassifizierungsmodells, das mit Linear SVM trainiert wurde, vorherzusagen. (Geerbt von OnlineLinearTrainer<TTransformer,TModel>) |
Methoden
| Fit(IDataView, LinearModelParameters) |
Führt die Schulung einer OnlineLinearTrainer<TTransformer,TModel> bereits trainierten |
| Fit(IDataView) |
Züge und zurückgeben eine ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit Linear 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. |