Freigeben über


SdcaNonCalibratedMulticlassTrainer Klasse

Definition

DasIEstimator<TTransformer> Ziel mithilfe eines linearen Multiclass-Klassifizierers vorhersagbar. Das trainierte Modell LinearMulticlassModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

public sealed class SdcaNonCalibratedMulticlassTrainer : Microsoft.ML.Trainers.SdcaMulticlassTrainerBase<Microsoft.ML.Trainers.LinearMulticlassModelParameters>
type SdcaNonCalibratedMulticlassTrainer = class
    inherit SdcaMulticlassTrainerBase<LinearMulticlassModelParameters>
Public NotInheritable Class SdcaNonCalibratedMulticlassTrainer
Inherits SdcaMulticlassTrainerBase(Of LinearMulticlassModelParameters)
Vererbung

Hinweise

Um diesen Trainer zu erstellen, verwenden Sie SdcaMaximumEntropy oder SdcaMaximumEntropy(Options).

Eingabe- und Ausgabespalten

Die Eingabebeschriftungsspaltendaten müssen schlüsseltyp sein, und die Featurespalte muss ein bekannter Vektor sein Single.

Der Trainer gibt folgende Spalten aus:

Name der Ausgabespalte Spaltentyp Beschreibung
Score Vektor von Single Die Bewertungen aller Klassen. Ein höherer Wert bedeutet eine höhere Wahrscheinlichkeit, in die zugehörige Klasse zu fallen. Wenn das i-te Element den größten Wert hat, wäre der vorhergesagte Bezeichnungsindex i. Beachten Sie, dass „i“ ein nullbasierter Index ist.
PredictedLabel Typ key Der Index der vorhergesagten Bezeichnung. Wenn sein Wert i ist, wäre die eigentliche Bezeichnung die i-te Kategorie des Typs der Schlüssel-Wert-Eingabebezeichnung.

Trainereigenschaften

ML-Aufgabe Multiklassenklassifizierung
Ist die Normalisierung erforderlich? Yes
Ist zwischenspeichern erforderlich? No
Erforderliche NuGet zusätzlich zu Microsoft.ML Keine
Exportierbar in ONNX Yes

Bewertungsfunktion

Dadurch wird ein lineares Modell zum Lösen von Problemen mit mehreren Klassen trainiert. Angenommen, die Anzahl der Klassen ist $m$ und die Anzahl der Features ist $n$. Es weist der $c$-th-Klasse einen Vektor $\textbf{w}_c \in {\mathbb R}^n$ und eine Verzerrung $b_c \in {\mathbb R}$, für $c=1,\dots,m$. Angesichts eines Featurevektors $\textbf{x} \in {\mathbb R}^n$, wäre die Bewertung der $c$-th-Klasse $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$. Beachten Sie, dass der $c$-th-Wert in der Ausgabebewertungsspalte nur $\hat{y}^c$ist.

Schulungsalgorithmusdetails

Weitere Informationen finden Sie in der Dokumentation von SdcaMulticlassTrainerBase.

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 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

DasIEstimator<TTransformer> Ziel mithilfe eines linearen Multiclass-Klassifizierers vorhersagbar. Das trainierte Modell LinearMulticlassModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

(Geerbt von StochasticTrainerBase<TTransformer,TModel>)

Methoden

Fit(IDataView)

Züge und zurückgeben eine ITransformer.

(Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)

DasIEstimator<TTransformer> Ziel mithilfe eines linearen Multiclass-Klassifizierers vorhersagbar. Das trainierte Modell LinearMulticlassModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

(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.

Gilt für:

Weitere Informationen