SymbolicSgdLogisticRegressionBinaryTrainer Klasse

Definition

Namespace:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.Mkl.Components.dll

Paket:

Microsoft.ML.Mkl.Components v5.0.0-preview.1.25125.4

Quelle:

SymSgdClassificationTrainer.cs

Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde.

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Vererbung

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

Hinweise

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

Eingabe- und Ausgabespalten

Die Daten in der Spalte für die Eingabezeichnung müssen Boolean 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 berechnet wurde.
PredictedLabel	Boolean	Der vorhergesagte Bezeichnung, basierend auf dem Abzeichnen der Bewertung. Eine negative Bewertung wird false und eine positive Bewertung wird true zugeordnet.
Probability	Single	Die Wahrscheinlichkeit, die durch die Kalibrierung des Werts "true" als Beschriftung berechnet wird. Der Wahrscheinlichkeitswert liegt im Bereich [0, 1].

Trainermerkmale

Machine Learning-Aufgabe	Binäre Klassifizierung
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

Der symbolische stochastische Farbverlaufsabstieg ist ein Algorithmus, der seine Vorhersagen durch Die Suche nach einem getrennten Hyperplane macht. Mit Featurewerten $f 0, f1,..., f_{D-1}$ wird beispielsweise die Vorhersage angegeben, indem bestimmt wird, in welche Seite des Hyperplans der Punkt fällt. Dies entspricht dem Vorzeichen der gewichteten Summe des Features, d. h. $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, wobei $w_0, w_1,..., w_{D-1}$ die Gewichtungen sind, die vom Algorithmus berechnet werden, und $b$ ist die vom Algorithmus berechnete Verzerrung.

Während die meisten symbolischen stochastischen Farbverlaufsabstiegsalgorithmen inhärent sequenziell sind - bei jedem Schritt hängt die Verarbeitung des aktuellen Beispiels von den parametern ab, die aus früheren Beispielen gelernt wurden. Dieser Algorithmus trainiert lokale Modelle in separaten Threads und probabilistischem Modellkobminer, mit dem die lokalen Modelle kombiniert werden können, um dasselbe Ergebnis zu erzeugen wie ein sequenzieller symbolischer stochastischer Farbverlaufsabstieg in Erwartung.

Weitere Informationen finden Sie unter Parallel Stochastic Gradient Descent with Sound Combiners.

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 null, was angibt, dass die Bezeichnung nicht für schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtsspalte, die der Trainer erwartet. Dies kann sein null, was angibt, dass das Gewicht nicht für das Training verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Name	Beschreibung
Info	Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde.

Methoden

Name	Beschreibung
Fit(IDataView, LinearModelParameters)	Setzt die Schulung der SymbolicSgdLogisticRegressionBinaryTrainer Verwendung eines bereits trainierten modelParameters ein Microsoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde. (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.

Weitere Informationen

• SymbolicSgdLogisticRegressionBinaryTrainer.Options
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)