GamRegressionTrainer 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> entraîner un modèle de régression avec des modèles additifs généralisés (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)- Héritage
-
TrainerEstimatorBase<TTransformer,TPredictor>GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>GamRegressionTrainer
Remarques
Pour créer ce formateur, utilisez Gam ou Gam(Options).
Colonnes d’entrée et de sortie
Les données de la colonne d’étiquettes d’entrée doivent être Single. 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 prédit par le modèle. |
Caractéristiques de l’entraîneur
| Tâche Machine Learning | Regression |
| La normalisation est-elle nécessaire ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.FastTree |
| Exportable vers ONNX | Non |
Détails de l’algorithme d’apprentissage
Les modèles additifs généralisés, ou les gaMs, modélisent les données sous la forme d’un ensemble de caractéristiques linéairement indépendantes similaires à un modèle linéaire. Pour chaque fonctionnalité, l’entraîneur GAM apprend une fonction non linéaire, appelée « fonction de forme », qui calcule la réponse en tant que fonction de la valeur de la fonctionnalité. (En revanche, un modèle linéaire correspond à une réponse linéaire (par exemple, une ligne) à chaque fonctionnalité.) Pour noter une entrée, les sorties de toutes les fonctions de forme sont additionnées et le score est la valeur totale.
Ce formateur GAM est implémenté à l’aide d’arbres dégradés peu profonds (p. ex., des stumps d’arbre) pour apprendre des fonctions de forme non paramétriques et est basé sur la méthode décrite dans Lou, Caruana et Gehrke. « Modèles intelligibles pour la classification et la régression ». KDD'12, Beijing, Chine. 2012. Après l’entraînement, un intercept est ajouté pour représenter la prédiction moyenne sur le jeu d’entraînement, et les fonctions de forme sont normalisées pour représenter l’écart par rapport à la prédiction moyenne. Cela entraîne l’interprétation simple des modèles en inspectant les fonctions d’interception et de forme. Consultez l’exemple ci-dessous pour obtenir un exemple d’apprentissage d’un modèle GAM et inspecter et interpréter les résultats.
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> entraîner un modèle de régression avec des modèles additifs généralisés (GAM). (Hérité de GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView, IDataView) |
Effectue l’apprentissage à GamRegressionTrainer l’aide de données d’entraînement et de validation, retourne un RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> entraîner un modèle de régression avec des modèles additifs généralisés (GAM). (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. |