SdcaBinaryTrainerBase<TModelParameters> Klasse

Definition

Namespace:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Paket:

Microsoft.ML v3.0.1

SDCA ist ein allgemeiner Schulungsalgorithmus für lineare (generalisierte) Modelle wie Supportvektormaschine, lineare Regression, logistikische Regression usw. SDCA-Binärklassifizierungstrainerfamilie umfasst mehrere versiegelte Mitglieder: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und gibt zurück LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres logistisches Regressionsmodell. Da die logistische Regression natürlich Wahrscheinlichkeitsausgabe bietet, ist CalibratedModelParametersBase<TSubModel,TCalibrator>dieser generierte Modelltyp . wo TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator.

public abstract class SdcaBinaryTrainerBase<TModelParameters> : Microsoft.ML.Trainers.SdcaTrainerBase<Microsoft.ML.Trainers.SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,Microsoft.ML.Data.BinaryPredictionTransformer<TModelParameters>,TModelParameters> where TModelParameters : class

type SdcaBinaryTrainerBase<'ModelParameters (requires 'ModelParameters : null)> = class
    inherit SdcaTrainerBase<SdcaBinaryTrainerBase<'ModelParameters>.BinaryOptionsBase, BinaryPredictionTransformer<'ModelParameters>, 'ModelParameters (requires 'ModelParameters : null)>

Public MustInherit Class SdcaBinaryTrainerBase(Of TModelParameters)
Inherits SdcaTrainerBase(Of SdcaBinaryTrainerBase(Of TModelParameters).BinaryOptionsBase, BinaryPredictionTransformer(Of TModelParameters), TModelParameters)

Typparameter

TModelParameters

Vererbung

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,BinaryPredictionTransformer<TModelParameters>,TModelParameters>

SdcaBinaryTrainerBase<TModelParameters>

Abgeleitet

Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

Felder

FeatureColumn	Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Die Bezeichnungsspalte, die der Trainer erwartet. Kann sein null, was angibt, dass die Bezeichnung nicht für Schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtsspalte, die der Trainer erwartet. nullKann sein, was angibt, dass das Gewicht nicht für die Schulung verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Info

SDCA ist ein allgemeiner Schulungsalgorithmus für lineare (generalisierte) Modelle wie Supportvektormaschine, lineare Regression, logistikische Regression usw. SDCA-Binärklassifizierungstrainerfamilie umfasst mehrere versiegelte Mitglieder: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und gibt zurück LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres logistisches Regressionsmodell. Da die logistische Regression natürlich Wahrscheinlichkeitsausgabe bietet, ist CalibratedModelParametersBase<TSubModel,TCalibrator>dieser generierte Modelltyp . wo TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator.

Methoden

Fit(IDataView)

Züge und zurückgeben eine ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

SDCA ist ein allgemeiner Schulungsalgorithmus für lineare (generalisierte) Modelle wie Supportvektormaschine, lineare Regression, logistikische Regression usw. SDCA-Binärklassifizierungstrainerfamilie umfasst mehrere versiegelte Mitglieder: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und gibt zurück LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres logistisches Regressionsmodell. Da die logistische Regression natürlich Wahrscheinlichkeitsausgabe bietet, ist CalibratedModelParametersBase<TSubModel,TCalibrator>dieser generierte Modelltyp . wo TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator. (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.