SgdCalibratedTrainer Clase

Definición

Espacio de nombres:

Microsoft.ML.Trainers

Ensamblado:

Microsoft.ML.StandardTrainers.dll

Paquete:

Microsoft.ML v3.0.1

para IEstimator<TTransformer> la regresión logística de entrenamiento mediante un método de degradado estocástico paralelo. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator

public sealed class SgdCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type SgdCalibratedTrainer = class
    inherit SgdBinaryTrainerBase<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SgdCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Herencia

Object

TrainerEstimatorBase<TTransformer,TModel>

LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>

SgdBinaryTrainerBase<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SgdCalibratedTrainer

Comentarios

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

Columnas de entrada y salida

Los datos de la columna de etiquetas de entrada deben ser Boolean. Los datos de columna de las 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 calculada por el modelo.
PredictedLabel	Boolean	Etiqueta de predicción, según el signo de la puntuación. Una puntuación negativa se asigna a false y una positiva 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 Machine Learning	Clasificación binaria
¿Se requiere normalización?	Sí
¿Se requiere el almacenamiento en caché?	No
NuGet necesario además de Microsoft.ML	None
Exportable a ONNX	Sí

Detalles del algoritmo de entrenamiento

El descenso de gradiente estocástico (SGD) es uno de los procedimientos populares de optimización estocástica que se pueden integrar en varias tareas de aprendizaje automático para lograr un rendimiento de última generación. Este instructor implementa el descenso de degradado estocástico de Hogwild para la clasificación binaria que admite el multiproceso sin ningún bloqueo. Si el problema de optimización asociado es disperso, el descenso de gradiente estocástico de Hogwild logra una tasa casi óptima de convergencia. Para obtener más detalles sobre el descenso de gradiente estocástico de Hogwild aquí.

Consulte la sección Consulte también los vínculos a ejemplos de 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	para IEstimator<TTransformer> la regresión logística de entrenamiento mediante un método de degradado estocástico paralelo. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator (Heredado de SgdBinaryTrainerBase<TModel>)

Métodos

Fit(IDataView)	Entrena y devuelve un ITransformer. (Heredado de TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Continúa el entrenamiento de un SdcaLogisticRegressionBinaryTrainer objeto mediante un objeto ya entrenado modelParameters y devuelve .Microsoft.ML.Data.BinaryPredictionTransformer (Heredado de SgdBinaryTrainerBase<TModel>)
GetOutputSchema(SchemaShape)	para IEstimator<TTransformer> la regresión logística de entrenamiento mediante un método de degradado estocástico paralelo. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator (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 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 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 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.

Consulte también

• SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)
• SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)
• SgdCalibratedTrainer.Options