OlsTrainer Classe

Définition

Espace de noms:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.Mkl.Components.dll

Paquet:

Microsoft.ML.Mkl.Components v3.0.1

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

Object

TrainerEstimatorBase<RegressionPredictionTransformer<OlsModelParameters>,OlsModelParameters>

OlsTrainer

Remarques

Pour créer ce formateur, 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.

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 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 part du principe 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

FeatureColumn	Colonne de caractéristique attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Colonne d’étiquette attendue par l’entraîneur. 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 linéaire à l’aide de carrés minimum ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire.

Méthodes

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

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 restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important qu’un estimateur retourne 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 pouvons donc avoir besoin de créer une chaîne d’estimateurs par EstimatorChain<TLastTransformer> le biais de 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

• Ols(RegressionCatalog+RegressionTrainers, String, String, String)
• Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)
• OlsTrainer.Options