LinearSvmTrainer Classe

Définition

Espace de noms:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Paquet:

Microsoft.ML v3.0.1

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la machine virtuelle SVM linéaire.

public sealed class LinearSvmTrainer : Microsoft.ML.Trainers.OnlineLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>

type LinearSvmTrainer = class
    inherit OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>

Public NotInheritable Class LinearSvmTrainer
Inherits OnlineLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)

Héritage

Object

TrainerEstimatorBase<TTransformer,TModel>

OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>,LinearBinaryModelParameters>

LinearSvmTrainer

Remarques

Pour créer ce formateur, utilisez LinearSvm ou LinearSvm(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. Ce formateur génère les colonnes suivantes :

Nom de 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, tandis qu’un score positif est mappé à true.

Caractéristiques de l’entraîneur

Tâche d’apprentissage automatique	Classification binaire
La normalisation est-elle requise ?	Oui
La mise en cache est-elle requise ?	Non
NuGet requis en plus de Microsoft.ML	Aucun
Exportable vers ONNX	Oui

Détails de l’algorithme d’apprentissage

La machine virtuelle SVM linéaire implémente un algorithme qui recherche un hyperplane dans l’espace de fonctionnalité pour la classification binaire, en résolvant un problème SVM. Par exemple, avec des valeurs de fonctionnalité $f_0, f_1,..., f_{D-1}$, la prédiction est donnée en déterminant quel côté de l’hyperplane le point tombe. C’est le même que le signe de la somme pondérée des feautures, c’est-à-dire $\sum_{i = 0}^{D-1} \left(w_i * f_i \right) + b$, où $w_0, w_1,..., w_{D-1}$ sont les poids calculés par l’algorithme, et $b$ est le biais calculé par l’algorithme.

La SVM linéaire implémente la méthode PEGASOS, qui alterne entre les étapes de descente de dégradé stochastique et les étapes de projection, introduites dans ce document par Shalev-Shwartz, Singer et Srebro.

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> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la machine virtuelle SVM linéaire. (Hérité de OnlineLinearTrainer<TTransformer,TModel>)

Méthodes

Fit(IDataView)	Entraîne et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Poursuit la formation d’un OnlineLinearTrainer<TTransformer,TModel> utilisateur déjà formé modelParameters et retourne un ITransformer. (Hérité de OnlineLinearTrainer<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la machine virtuelle SVM linéaire. (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

• LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)
• LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)