OlsTrainer 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.
Zum IEstimator<TTransformer> Trainieren eines linearen Regressionsmodells mit gewöhnlichen kleinsten Quadraten (OLS) zur Schätzung der Parameter des linearen Regressionsmodells.
public sealed class OlsTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.OlsModelParameters>,Microsoft.ML.Trainers.OlsModelParameters>type OlsTrainer = class
inherit TrainerEstimatorBase<RegressionPredictionTransformer<OlsModelParameters>, OlsModelParameters>Public NotInheritable Class OlsTrainer
Inherits TrainerEstimatorBase(Of RegressionPredictionTransformer(Of OlsModelParameters), OlsModelParameters)- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie Ols oder Ols(Options).
Eingabe- und Ausgabespalten
Die Daten in der Spalte für die Eingabezeichnung müssen Single sein. Die Spaltendaten der Eingabefeatures müssen ein Vektor mit bekannter Größe sein Single.
Der Trainer gibt folgende Spalten aus:
| Name der Ausgabespalte | Spaltentyp | Description |
|---|---|---|
Score |
Single | Die ungebundene Bewertung, die vom Modell vorhergesagt wurde. |
Trainermerkmale
| Machine Learning-Aufgabe | Regression |
| Ist normalisierung erforderlich? | Yes |
| Ist zwischenspeichern erforderlich? | No |
| Erforderliches NuGet zusätzlich zu Microsoft.ML | Microsoft.ML.Mkl.Components |
| Exportierbar in ONNX | Yes |
Details des Schulungsalgorithmus
Normale kleinste Quadrate (OLS) ist eine parametrisierte Regressionsmethode. Es wird davon ausgegangen, dass das bedingte Mittel der abhängigen Variablen einer linearen Funktion der abhängigen Variablen folgt. Die Regressionsparameter können geschätzt werden, indem die Quadrate der Differenz zwischen beobachteten Werten und den Vorhersagen minimiert werden.
Im Abschnitt "Siehe auch" finden Sie Links zu Verwendungsbeispielen.
Felder
| Name | Beschreibung |
|---|---|
| FeatureColumn |
Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Die Bezeichnungsspalte, die der Trainer erwartet. Dies kann sein |
| WeightColumn |
Die Gewichtsspalte, die der Trainer erwartet. Dies kann sein |
Eigenschaften
| Name | Beschreibung |
|---|---|
| Info |
Zum IEstimator<TTransformer> Trainieren eines linearen Regressionsmodells mit gewöhnlichen kleinsten Quadraten (OLS) zur Schätzung der Parameter des linearen Regressionsmodells. |
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView) |
Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Zum IEstimator<TTransformer> Trainieren eines linearen Regressionsmodells mit gewöhnlichen kleinsten Quadraten (OLS) zur Schätzung der Parameter des linearen Regressionsmodells. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
Erweiterungsmethoden
| Name | Beschreibung |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird. |