GamRegressionTrainer Clase

Definición

IEstimator<TTransformer> para entrenar un modelo de regresión con modelos aditivos generalizados (GAM).

public sealed class GamRegressionTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>
type GamRegressionTrainer = class
    inherit GamTrainerBase<GamRegressionTrainer.Options, RegressionPredictionTransformer<GamRegressionModelParameters>, GamRegressionModelParameters>
Public NotInheritable Class GamRegressionTrainer
Inherits GamTrainerBase(Of GamRegressionTrainer.Options, RegressionPredictionTransformer(Of GamRegressionModelParameters), GamRegressionModelParameters)
Herencia

Comentarios

Para crear este instructor, use Gam o Gam(Options).

Columnas de entrada y salida

Los datos de la columna de etiquetas de entrada deben ser Single. Los datos de columna de características de entrada deben ser un vector de tamaño conocido de Single.

Este instructor genera las siguientes columnas:

Nombre de columna de salida Tipo de columna Descripción
Score Single Puntuación sin enlazar que el modelo predijo.

Características del entrenador

Tarea de Machine Learning Regresión
¿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 LAS VM, 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 una función del valor de la característica. (Por el contrario, un modelo lineal se ajusta a una respuesta lineal (por ejemplo, una línea) a cada característica). Para puntuar una entrada, las salidas de todas las funciones de forma se summed 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 clasificación y 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 del uso.

Campos

FeatureColumn

Columna de características que espera el instructor.

(Heredado de TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn

Columna de etiqueta que espera el instructor. Puede ser null, que indica que la etiqueta no se usa para el entrenamiento.

(Heredado de TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn

Columna de peso que espera el entrenador. Puede ser null, lo que indica que el peso no se usa para el entrenamiento.

(Heredado de TrainerEstimatorBase<TTransformer,TModel>)

Propiedades

Info

IEstimator<TTransformer> para entrenar un modelo de regresión con modelos aditivos generalizados (GAM).

(Heredado de GamTrainerBase<TOptions,TTransformer,TPredictor>)

Métodos

Fit(IDataView)

Entrena y devuelve un ITransformerobjeto .

(Heredado de TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)

Entrena un GamRegressionTrainer objeto mediante datos de entrenamiento y validación, devuelve un RegressionPredictionTransformer<TModel>.

GetOutputSchema(SchemaShape)

IEstimator<TTransformer> para entrenar un modelo de regresión con modelos aditivos generalizados (GAM).

(Heredado de TrainerEstimatorBase<TTransformer,TModel>)

Métodos de extensión

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 bajada se entrenarán con 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) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, 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 se enterró 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.

Se aplica a

Consulte también