AveragedPerceptronTrainer Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la perceptron moyenne.
public sealed class AveragedPerceptronTrainer : Microsoft.ML.Trainers.AveragedLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>type AveragedPerceptronTrainer = class
inherit AveragedLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>Public NotInheritable Class AveragedPerceptronTrainer
Inherits AveragedLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)- Héritage
Remarques
Pour créer ce formateur, utilisez AveragedPerceptron ou AveragedPerceptron(Options).
Colonnes d’entrée et de sortie
Les données de la colonne d’étiquettes d’entrée doivent être Boolean. Les données de colonne des caractéristiques d’entrée doivent être un vecteur de taille connue de Single. Cet entraîneur génère les colonnes suivantes :
| Nom de la colonne de sortie | Type de colonne | Description |
|---|---|---|
Score |
Single | Score non lié calculé par le modèle. |
PredictedLabel |
Boolean | Étiquette prédite, en fonction du signe du score. Un score négatif est mappé à false et un score positif est mappé à true. |
Caractéristiques de l’entraîneur
| Tâche Machine Learning | Classification binaire |
| La normalisation est-elle nécessaire ? | Oui |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | None |
| Exportable vers ONNX | Oui |
Détails de l’algorithme d’apprentissage
Le perceptron est un algorithme de classification qui effectue ses prédictions en recherchant un hyperplan de séparation. Par exemple, avec des valeurs de fonctionnalité $f_0, f_1,..., f_{D-1}$, la prédiction est donnée en déterminant quel côté de l’hyperplan le point tombe. C’est le même que le signe de la somme pondérée des feautures, c’est-à-dire $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, où $w_0, w_1,..., w_{D-1}$ sont les pondérations calculées par l’algorithme, et $b$ est le biais calculé par l’algorithme.
Le perceptron est un algorithme en ligne, ce qui signifie qu’il traite les instances du jeu d’entraînement un par un. Il commence par un ensemble de pondérations initiales (zéro, aléatoire ou initialisé à partir d’un apprenant précédent). Ensuite, pour chaque exemple du jeu d’entraînement, la somme pondérée des fonctionnalités est calculée. Si cette valeur a le même signe que l’étiquette de l’exemple actuel, les pondérations restent identiques. S’ils ont des signes opposés, le vecteur de pondération est mis à jour en ajoutant ou en soustrayant (si l’étiquette est positive ou négative, respectivement) le vecteur de caractéristique de l’exemple actuel, multiplié par un facteur 0 < a <= 1, appelé taux d’apprentissage. Dans une généralisation de cet algorithme, les pondérations sont mises à jour en ajoutant le vecteur de caractéristique multiplié par le taux d’apprentissage et par le dégradé d’une fonction de perte (dans le cas spécifique décrit ci-dessus, la perte est la perte de charnière, dont le dégradé est égal à 1 lorsqu’il n’est pas zéro).
Dans Averaged Perceptron (aka voted-perceptron), pour chaque itération, c’est-à-dire passer par les données d’entraînement, un vecteur de poids est calculé comme expliqué ci-dessus. La prédiction finale est ensuite calculée en moyenne la somme pondérée de chaque vecteur de poids et en examinant le signe du résultat.
Pour plus d’informations, consultez l’entrée Wikipédia pour Perceptron ou La classification des marges volumineuses à l’aide de l’algorithme Perceptron.
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
Champs
| Nom | Description |
|---|---|
| FeatureColumn |
Colonne de fonctionnalités attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Colonne d’étiquette attendue par l’entraîneur. Peut être |
| WeightColumn |
Colonne de poids attendue par l’entraîneur. Peut être |
Propriétés
| Nom | Description |
|---|---|
| Info |
Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la perceptron moyenne. (Hérité de OnlineLinearTrainer<TTransformer,TModel>) |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView, LinearModelParameters) |
Poursuit l’entraînement d’une OnlineLinearTrainer<TTransformer,TModel> utilisation d’un élément déjà formé |
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la perceptron moyenne. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
Méthodes d’extension
| Nom | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
En fonction d’un estimateur, retournez un objet de création de package de restrictions 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 que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets, nous devrons peut-être construire une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle 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 l’ajustement appelé. |