OlsTrainer 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 linéaire à l’aide de carrés minimum ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire.
public sealed class OlsTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.OlsModelParameters>,Microsoft.ML.Trainers.OlsModelParameters>type OlsTrainer = class
inherit TrainerEstimatorBase<RegressionPredictionTransformer<OlsModelParameters>, OlsModelParameters>Public NotInheritable Class OlsTrainer
Inherits TrainerEstimatorBase(Of RegressionPredictionTransformer(Of OlsModelParameters), OlsModelParameters)- Héritage
Remarques
Pour créer cet entraîneur, utilisez Ols ou Ols(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 ? | Oui |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.Mkl.Components |
| Exportable vers ONNX | Oui |
Détails de l’algorithme d’apprentissage
Les moindres carrés ordinaires (OLS) sont une méthode de régression paramétrable. Il suppose que la moyenne conditionnelle de la variable dépendante suit une fonction linéaire des variables dépendantes. Les paramètres de régression peuvent être estimés en minimisant les carrés de la différence entre les valeurs observées et les prédictions
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 linéaire à l’aide de carrés minimum ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire. |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> entraîner un modèle de régression linéaire à l’aide de carrés minimum ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire. (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. |