GamRegressionTrainer Classe

Définition

Espace de noms:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Paquet:

Microsoft.ML.FastTree v2.0.0

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

Object

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.

Ce formateur génère les colonnes suivantes :

Nom de colonne de sortie	Type de colonne	Description
Score	Single	Score non lié prédit par le modèle.

Caractéristiques de l’entraîneur

Tâche d’apprentissage automatique	régression ;
La normalisation est-elle requise ?	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

Modèles additifs généralisés ou GAMs, modélisez les données en tant qu’ensemble de fonctionnalités linéairement indépendantes similaires à un modèle linéaire. Pour chaque fonctionnalité, le formateur GAM apprend une fonction non linéaire, appelée « fonction de forme », qui calcule la réponse en 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 résumées et le score est la valeur totale.

Ce formateur GAM est implémenté à l’aide d’arbres dégradés peu profonds (p. ex., des stumpes d’arbre) pour apprendre les fonctions de forme nonparamétriques, 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, une intercepte est ajoutée 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 des modèles facilement interprétés simplement en inspectant l’intercept et les fonctions de forme. Consultez l’exemple ci-dessous pour obtenir un exemple d’apprentissage d’un modèle GAM et d’inspecter et interpréter les résultats.

Consultez la section Voir également pour obtenir des liens vers des exemples d’utilisation.

Champs

FeatureColumn	Colonne de caractéristique attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Colonne d’étiquette attendue par le formateur. Peut être null, ce qui indique que l’étiquette n’est pas utilisée pour l’entraînement. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Colonne de poids attendue par l’entraîneur. Peut être null, ce qui indique que le poids n’est pas utilisé pour l’entraînement. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)

Propriétés

Info	Pour IEstimator<TTransformer> entraîner un modèle de régression avec des modèles additifs généralisés (GAM). (Hérité de GamTrainerBase<TOptions,TTransformer,TPredictor>)

Méthodes

Fit(IDataView)	Entraîne et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)	Effectue l’apprentissage à GamRegressionTrainer l’aide de données d’entraînement et de validation, retourne un RegressionPredictionTransformer<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

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>)

Étant donné un estimateur, retournez un objet de création de package de package qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui a été 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 pouvons donc avoir besoin de créer 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.

Voir aussi

• Gam(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Double)
• Gam(RegressionCatalog+RegressionTrainers, GamRegressionTrainer+Options)
• GamRegressionTrainer.Options