SymbolicSgdLogisticRegressionBinaryTrainer Classe

Définition

Espace de noms:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.Mkl.Components.dll

Paquet:

Microsoft.ML.Mkl.Components v5.0.0-preview.1.25125.4

Source:

SymSgdClassificationTrainer.cs

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la descente de dégradé stochastique symbolique.

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Héritage

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

Remarques

Pour créer ce formateur, utilisez SymbolStochasticGradientDescent ou SymbolStochasticGradientDescent(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.

Cet entraîneur génère les colonnes suivantes :

Nom de la 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 et un score positif est mappé à true.
Probability	Single	Probabilité calculée en calibrant le score d’avoir la valeur true comme étiquette. La valeur de probabilité est comprise dans la plage [0, 1].

Caractéristiques de l’entraîneur

Tâche Machine Learning	Classification binaire
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

La descente de dégradé stochastique symbolique est un algorithme qui effectue ses prédictions en recherchant un hyperplan séparant. Par exemple, avec des valeurs de fonctionnalité $f 0, f1,..., f_{D-1}$, la prédiction est donnée en déterminant quel côté de l’hyperplan le point tombe. C’est le même que le signe de la somme pondérée de la fonctionnalité, c’est-à-dire $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, où $w_0, w_1,..., w_{D-1}$ sont les pondérations calculées par l’algorithme, et $b$ est le biais calculé par l’algorithme.

Bien que la plupart des algorithmes de descente de dégradé stochastique symboliques soient intrinsèquement séquentiels , à chaque étape, le traitement de l’exemple actuel dépend des paramètres appris à partir d’exemples précédents. Cet algorithme forme des modèles locaux dans des threads distincts et des cobminers de modèles probabilistes qui permettent aux modèles locaux d’être combinés pour produire le même résultat que ce qu’une descente de dégradé stochastique symbolique séquentielle aurait produit, en attendant.

Pour plus d’informations, consultez Descente de dégradé stochastique parallèle avec des combiners sonores.

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 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

Nom	Description
Info	Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la descente de dégradé stochastique symbolique.

Méthodes

Nom	Description
Fit(IDataView, LinearModelParameters)	Poursuit la formation de l’utilisation d’un SymbolicSgdLogisticRegressionBinaryTrainer a déjà formé modelParameters un Microsoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la descente de dégradé stochastique symbolique. (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.

Voir aussi

• SymbolicSgdLogisticRegressionBinaryTrainer.Options
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)