GamBinaryTrainer Clase
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
IEstimator<TTransformer> para entrenar un modelo de clasificación binaria con modelos aditivos generalizados (GAM).
public sealed class GamBinaryTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type GamBinaryTrainer = class
inherit GamTrainerBase<GamBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class GamBinaryTrainer
Inherits GamTrainerBase(Of GamBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator))- Herencia
Comentarios
Para crear este instructor, use Gam o Gam(Options).
Columnas de entrada y salida
Los datos de la columna de etiqueta de entrada deben ser Boolean. Los datos de columna de características de entrada deben ser un vector conocido de Single.
Este instructor genera las columnas siguientes:
| Nombre de columna de salida | Tipo de columna | Description | |
|---|---|---|---|
Score |
Single | Puntuación sin enlazar calculada por el modelo. | |
PredictedLabel |
Boolean | Etiqueta de predicción, según el signo de la puntuación. Una puntuación negativa se asigna a false y una puntuación positiva se asigna a true. |
|
Probability |
Single | Probabilidad calculada mediante la calibración de la puntuación de tener true como etiqueta. El valor de probabilidad está en el intervalo [0, 1]. |
Características del entrenador
| Tarea de aprendizaje automático | Clasificación binaria |
| ¿Se requiere normalización? | No |
| ¿Se requiere el almacenamiento en caché? | No |
| NuGet necesario además de Microsoft.ML | Microsoft.ML.FastTree |
| Exportable a ONNX | No |
Detalles del algoritmo de entrenamiento
Los modelos aditivos generalizados o los GAM modelar los datos como un conjunto de características linealmente independientes similares a un modelo lineal. Para cada característica, el instructor de GAM aprende una función no lineal, denominada "función shape", que calcula la respuesta como función del valor de la característica. (En cambio, un modelo lineal se ajusta a una respuesta lineal (por ejemplo, una línea) a cada característica). Para puntuar una entrada, se suman las salidas de todas las funciones de forma y la puntuación es el valor total.
Este instructor de GAM se implementa mediante árboles impulsados por degradado superficial (por ejemplo, totumps de árbol) para aprender funciones de forma noparamétricas, y se basa en el método descrito en Lou, Caruana y Gehrke. "Modelos inteligibles para la clasificación y la regresión". KDD'12, Beijing, China. 2012. Después del entrenamiento, se agrega una interceptación para representar la predicción media sobre el conjunto de entrenamiento y las funciones de forma se normalizan para representar la desviación de la predicción media. Esto da como resultado modelos que se interpretan fácilmente simplemente inspeccionando la interceptación y las funciones de forma. Consulte el ejemplo siguiente para obtener un ejemplo de cómo entrenar un modelo GAM e inspeccionar e interpretar los resultados.
Consulte la sección Ver también para obtener vínculos a ejemplos de uso.
Campos
| Nombre | Description |
|---|---|
| FeatureColumn |
Columna de características que el instructor espera. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Columna de etiqueta que el entrenador espera. Puede ser |
| WeightColumn |
Columna de peso que espera el entrenador. Puede ser |
Propiedades
| Nombre | Description |
|---|---|
| Info |
IEstimator<TTransformer> para entrenar un modelo de clasificación binaria con modelos aditivos generalizados (GAM). (Heredado de GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Métodos
| Nombre | Description |
|---|---|
| Fit(IDataView, IDataView) |
Entrena un GamBinaryTrainer mediante datos de entrenamiento y validación, devuelve un BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Entrena y devuelve un ITransformer. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> para entrenar un modelo de clasificación binaria con modelos aditivos generalizados (GAM). (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
Métodos de extensión
| Nombre | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de nivel inferior se entrenarán con los datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) que se llame. A menudo, es importante que un estimador devuelva información sobre lo que se ha ajustado, por lo que el Fit(IDataView) método devuelve un objeto específicamente tipado, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador está enterrado en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit. |