LpNormNormalizingEstimator 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.
Normaliza (escala) vectores de la columna de entrada a la norma unitaria. El usuario puede especificar el tipo de norma que se usa.
public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBasetype LpNormNormalizingEstimator = class
inherit LpNormNormalizingEstimatorBasePublic NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase- Herencia
-
LpNormNormalizingEstimator
Comentarios
Características del estimador
| ¿Este estimador necesita examinar los datos para entrenar sus parámetros? | No |
| Tipo de datos de columna de entrada | Vector de Single |
| Tipo de datos de columna de salida | Vector de Single |
| Exportable a ONNX | Sí |
El vector resultante LpNormNormalizingTransformer normaliza los vectores de la columna de entrada individualmente mediante la reasignación de los vectores a la norma unitaria.
Deje que $x$ sea el vector de entrada, $n$ el tamaño del vector, $L(x)$ la función de norma seleccionada por el usuario. Deje que $\mu(x) = \sum_i x_i / n$ sea la media de los valores de vector $x$. LpNormNormalizingTransformer realiza la siguiente operación en cada vector de entrada $x$: $y = \frac{x - \mu(x)}{L(x)}$ si el usuario especifica que la media debe ser cero o de lo contrario: $y = \frac{x}{L(x)}$
Hay cuatro tipos de norma que el usuario puede seleccionar para aplicar en el vector de entrada $x$. Estas dimensiones se definen de la manera siguiente:
- L1: $L_1(x) = \sum_i |x_i|$
- L2: $L_2(x) = \sqrt{\sum_i x_i^2}$
- Infinity: $L_{\infty}(x) = \max_i{|x_i|} $
- StandardDeviation: $L_\sigma(x)$ se define como la desviación estándar de los elementos del vector de entrada $x$
Consulte la sección Consulte también los vínculos a ejemplos de uso.
Métodos
| Fit(IDataView) |
Normaliza (escala) vectores de la columna de entrada a la norma unitaria. El usuario puede especificar el tipo de norma que se usa. (Heredado de TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Devuelve el SchemaShape del esquema que generará el transformador. Se usa para la propagación y comprobación del esquema en una canalización. (Heredado de LpNormNormalizingEstimatorBase) |
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. |