GamBinaryTrainer Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers.FastTree

Rakitan:

Microsoft.ML.FastTree.dll

Paket:

Microsoft.ML.FastTree v2.0.0

IEstimator<TTransformer> untuk melatih model klasifikasi biner dengan model aditif umum (GAM).

public sealed class GamBinaryTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type GamBinaryTrainer = class
    inherit GamTrainerBase<GamBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class GamBinaryTrainer
Inherits GamTrainerBase(Of GamBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator))

Warisan

Object

TrainerEstimatorBase<TTransformer,TPredictor>

GamTrainerBase<GamBinaryTrainer.Options,BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<GamBinaryModelParameters,PlattCalibrator>>

GamBinaryTrainer

Keterangan

Untuk membuat pelatih ini, gunakan Gam atau Gam(Options).

Kolom Input dan Output

Data kolom label input harus Boolean. Data kolom fitur input harus merupakan vektor berukuran besar yang diketahui dari Single.

Pelatih ini menghasilkan kolom berikut:

Nama Kolom Output	Jenis Kolom	Deskripsi
Score	Single	Skor tidak terikat yang dihitung oleh model.
PredictedLabel	Boolean	Label yang diprediksi, berdasarkan tanda skor. Skor negatif memetakan ke false dan skor positif memetakan ke true.
Probability	Single	Probabilitas dihitung dengan mengkalibrasi skor memiliki true sebagai label. Nilai probabilitas dalam rentang [0, 1].

Karakteristik Pelatih

Tugas pembelajaran mesin	Klasifikasi biner
Apakah normalisasi diperlukan?	Tidak
Apakah penembolokan diperlukan?	Tidak
NuGet yang diperlukan selain Microsoft.ML	Microsoft.ML.FastTree
Dapat diekspor ke ONNX	Tidak

Detail Algoritma Pelatihan

Model Aditif Umum, atau GAM, memodelkan data sebagai sekumpulan fitur independen linier yang mirip dengan model linier. Untuk setiap fitur, pelatih GAM mempelajari fungsi non-linier, yang disebut "fungsi bentuk", yang menghitung respons sebagai fungsi dari nilai fitur. (Sebaliknya, model linier cocok dengan respons linier (misalnya garis) ke setiap fitur.) Untuk menilai input, output dari semua fungsi bentuk dijumlahkan dan skornya adalah nilai total.

Pelatih GAM ini diimplementasikan menggunakan pohon yang didorong gradien dangkal (misalnya tunggul pohon) untuk mempelajari fungsi bentuk nonparametrik, dan didasarkan pada metode yang dijelaskan dalam Lou, Caruana, dan Gehrke. "Model Cerdas untuk Klasifikasi dan Regresi." KDD'12, Beijing, Cina. 2012. Setelah pelatihan, intersepsi ditambahkan untuk mewakili prediksi rata-rata atas set pelatihan, dan fungsi bentuk dinormalisasi untuk mewakili penyimpangan dari prediksi rata-rata. Ini menghasilkan model yang mudah ditafsirkan hanya dengan memeriksa fungsi intersepsi dan bentuk. Lihat sampel di bawah ini untuk contoh cara melatih model GAM dan memeriksa dan menginterpretasikan hasilnya.

Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.

Bidang

FeatureColumn	Kolom fitur yang diharapkan pelatih. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Kolom label yang diharapkan pelatih. Dapat berupa null, yang menunjukkan bahwa label tidak digunakan untuk pelatihan. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Kolom berat yang diharapkan pelatih. Dapat berupa null, yang menunjukkan bahwa berat tidak digunakan untuk pelatihan. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)

Properti

Info	IEstimator<TTransformer> untuk melatih model klasifikasi biner dengan model aditif umum (GAM). (Diperoleh dari GamTrainerBase<TOptions,TTransformer,TPredictor>)

Metode

Fit(IDataView)	Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)	GamBinaryTrainer Melatih menggunakan data pelatihan dan validasi, mengembalikan BinaryPredictionTransformer<TModel>.
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> untuk melatih model klasifikasi biner dengan model aditif umum (GAM). (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)

Metode Ekstensi

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data berlalu.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang di ketik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> di mana estimator yang ingin kita dapatkan transformator dimakamkan di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah fit dipanggil.

Lihat juga

• Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)
• Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)
• GamBinaryTrainer.Options