IEstimator<TTransformer> Interface

Définition

Espace de noms:

Microsoft.ML

Assembly:

Microsoft.ML.Core.dll

Paquet:

Microsoft.ML v2.0.0

L’estimateur (dans la terminologie Spark) est un « transformateur non entraîné ». Il doit « tenir » sur les données pour fabriquer un transformateur. Il fournit également la « propagation de schéma » comme le font les transformateurs, mais au SchemaShape lieu de DataViewSchema.

public interface IEstimator<out TTransformer> where TTransformer : ITransformer

type IEstimator<'ransformer (requires 'ransformer :> ITransformer)> = interface

Public Interface IEstimator(Of Out TTransformer)

Paramètres de type

TTransformer

Ce paramètre de type est covariant. Cela signifie que vous pouvez utiliser le type spécifié ou tout type plus dérivé. Pour plus d’informations sur la covariance et la contravariance, consultez Covariance et contravariance dans les génériques.

Dérivé

Microsoft.ML.Calibrators.CalibratorEstimatorBase<TICalibrator>

Microsoft.ML.Data.EstimatorChain<TLastTransformer>

Microsoft.ML.Data.TrivialEstimator<TTransformer>

Microsoft.ML.TorchSharp.AutoFormerV2.ObjectDetectionTrainer

Microsoft.ML.TorchSharp.Roberta.QATrainer

Microsoft.ML.TorchSharp.TorchSharpBaseTrainer

Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBase

Microsoft.ML.Trainers.FieldAwareFactorizationMachineTrainer

Microsoft.ML.Trainers.ITrainerEstimator<TTransformer,TModel>

Microsoft.ML.Trainers.MatrixFactorizationTrainer

Microsoft.ML.Trainers.MetaMulticlassTrainer<TTransformer,TModel>

Microsoft.ML.Trainers.PriorTrainer

Microsoft.ML.Trainers.TrainerEstimatorBase<TTransformer,TModel>

Microsoft.ML.Transforms.ApproximatedKernelMappingEstimator

Microsoft.ML.Transforms.ColumnConcatenatingEstimator

Microsoft.ML.Transforms.CountFeatureSelectingEstimator

Microsoft.ML.Transforms.ExpressionEstimator

Microsoft.ML.Transforms.HashingEstimator

Microsoft.ML.Transforms.MissingValueReplacingEstimator

Microsoft.ML.Transforms.MutualInformationFeatureSelectingEstimator

Microsoft.ML.Transforms.NormalizingEstimator

Microsoft.ML.Transforms.OneHotEncodingEstimator

Microsoft.ML.Transforms.OneHotHashEncodingEstimator

Microsoft.ML.Transforms.Onnx.DnnImageFeaturizerEstimator

Microsoft.ML.Transforms.PrincipalComponentAnalyzer

Microsoft.ML.Transforms.TensorFlowEstimator

Microsoft.ML.Transforms.Text.LatentDirichletAllocationEstimator

Microsoft.ML.Transforms.Text.NgramExtractingEstimator

Microsoft.ML.Transforms.Text.NgramHashingEstimator

Microsoft.ML.Transforms.Text.TextFeaturizingEstimator

Microsoft.ML.Transforms.Text.WordBagEstimator

Microsoft.ML.Transforms.Text.WordEmbeddingEstimator

Microsoft.ML.Transforms.Text.WordHashBagEstimator

Microsoft.ML.Transforms.TimeSeries.SsaChangePointEstimator

Microsoft.ML.Transforms.TimeSeries.SsaForecastingEstimator

Microsoft.ML.Transforms.TimeSeries.SsaSpikeEstimator

Microsoft.ML.Transforms.ValueToKeyMappingEstimator

Microsoft.ML.Transforms.VectorWhiteningEstimator

Méthodes

Fit(IDataView)	Entraîner et retourner un transformateur.
GetOutputSchema(SchemaShape)	Propagation de schéma pour les estimateurs. Retourne la forme de schéma de sortie de l’estimateur, si la forme de schéma d’entrée est similaire à celle fournie.

Méthodes d’extension

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Ajoutez un « point de contrôle de mise en cache » à la chaîne de l’estimateur. Cela garantit que les estimateurs en aval seront entraînés sur les données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui acceptent plusieurs passes de données.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Avec un estimateur, retournez un objet d’habillage qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt qu’un simple général ITransformer. Toutefois, dans le même temps, IEstimator<TTransformer> sont souvent formés dans des pipelines avec de nombreux objets, nous devrons donc créer une chaîne d’estimateurs par le biais EstimatorChain<TLastTransformer> de l’emplacement où l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons, par le biais de cette méthode, attacher un délégué qui sera appelé une fois que fit est appelé.