SdcaBinaryTrainerBase<TModelParameters> Classe

Définition

Espace de noms:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Paquet:

Microsoft.ML v3.0.1

SDCA est un algorithme d’entraînement général pour les modèles linéaires (généralisés), tels que la machine vecteur de prise en charge, la régression linéaire, la régression logistique, etc. La famille de formateur de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et retourne LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>. où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator.

public abstract class SdcaBinaryTrainerBase<TModelParameters> : Microsoft.ML.Trainers.SdcaTrainerBase<Microsoft.ML.Trainers.SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,Microsoft.ML.Data.BinaryPredictionTransformer<TModelParameters>,TModelParameters> where TModelParameters : class

type SdcaBinaryTrainerBase<'ModelParameters (requires 'ModelParameters : null)> = class
    inherit SdcaTrainerBase<SdcaBinaryTrainerBase<'ModelParameters>.BinaryOptionsBase, BinaryPredictionTransformer<'ModelParameters>, 'ModelParameters (requires 'ModelParameters : null)>

Public MustInherit Class SdcaBinaryTrainerBase(Of TModelParameters)
Inherits SdcaTrainerBase(Of SdcaBinaryTrainerBase(Of TModelParameters).BinaryOptionsBase, BinaryPredictionTransformer(Of TModelParameters), TModelParameters)

Paramètres de type

TModelParameters

Héritage

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,BinaryPredictionTransformer<TModelParameters>,TModelParameters>

SdcaBinaryTrainerBase<TModelParameters>

Dérivé

Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

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

SDCA est un algorithme d’entraînement général pour les modèles linéaires (généralisés), tels que la machine vecteur de prise en charge, la régression linéaire, la régression logistique, etc. La famille de formateur de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et retourne LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>. où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator.

Méthodes

Fit(IDataView)

Entraîne et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

SDCA est un algorithme d’entraînement général pour les modèles linéaires (généralisés), tels que la machine vecteur de prise en charge, la régression linéaire, la régression logistique, etc. La famille de formateur de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et retourne LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>. où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator. (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.