SmoothedHingeLoss Klasse

Definition

Namespace:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v3.0.1

Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.

public sealed class SmoothedHingeLoss : Microsoft.ML.Trainers.ILossFunction<float,float>, Microsoft.ML.Trainers.ISupportSdcaClassificationLoss

type SmoothedHingeLoss = class
    interface ISupportSdcaClassificationLoss
    interface ISupportSdcaLoss
    interface IScalarLoss
    interface ILossFunction<single, single>
    interface IClassificationLoss

Public NotInheritable Class SmoothedHingeLoss
Implements ILossFunction(Of Single, Single), ISupportSdcaClassificationLoss

Vererbung

Object

SmoothedHingeLoss

Implementiert

IClassificationLoss ILossFunction<Single,Single> IScalarLoss ISupportSdcaClassificationLoss ISupportSdcaLoss

Hinweise

Lassen Sie $f(\hat{y}, y) = 1 - y\hat{y}$, wobei $\hat{y}$ die vorhergesagte Bewertung und $y \in \{-1, 1\}$ die wahre Bezeichnung ist. $f(\hat{y}, y)$ ist hier der ungleich 00-Teil des Scharnierverlusts.

Beachten Sie, dass die in dieser Berechnung verwendeten Bezeichnungen -1 und 1 sind, im Gegensatz zum Protokollverlust, bei dem die verwendeten Bezeichnungen 0 und 1 sind. Im Gegensatz zum Protokollverlust ist $\hat{y}$ die unformatierte vorhergesagte Bewertung, nicht die vorhergesagte Wahrscheinlichkeit (die durch Anwenden einer Sigmoidfunktion auf die vorhergesagte Bewertung berechnet wird).

Die Funktion "Glätteter Scharnierverlust" wird dann wie folgt definiert:

$ L(f(\hat{y}, y)) = \begin{cases} 0 & \text{if } f(\hat{y}, y) < 0 \\ \frac{(f(\hat{y}, y))^2}{2\alpha} & \text{if } f(\hat{y}, y) \alpha \\ f(\f(\hat{y}, y) < - \frac{\alpha}{2} & \text{otherwise} \end{cases} $

wobei $\alpha$ ein Glättungsparameter ist, der standardmäßig auf 1 festgelegt ist.

Konstruktoren

SmoothedHingeLoss(Single)

Konstruktor für geglättete Scharnier verliert.

Methoden

ComputeDualUpdateInvariant(Single)	Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.
Derivative(Single, Single)	Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.
DualLoss(Single, Single)	Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.
DualUpdate(Single, Single, Single, Single, Int32)	Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.
Loss(Single, Single)	Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.