GamRegressionTrainer Kelas
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
IEstimator<TTransformer> untuk melatih model regresi dengan model aditif umum (GAM).
public sealed class GamRegressionTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>type GamRegressionTrainer = class
inherit GamTrainerBase<GamRegressionTrainer.Options, RegressionPredictionTransformer<GamRegressionModelParameters>, GamRegressionModelParameters>Public NotInheritable Class GamRegressionTrainer
Inherits GamTrainerBase(Of GamRegressionTrainer.Options, RegressionPredictionTransformer(Of GamRegressionModelParameters), GamRegressionModelParameters)- Warisan
-
TrainerEstimatorBase<TTransformer,TPredictor>GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>GamRegressionTrainer
Keterangan
Untuk membuat pelatih ini, gunakan Gam atau Gam(Options).
Kolom Input dan Output
Data kolom label input harus Single. 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 terbatas yang diprediksi oleh model. |
Karakteristik Pelatih
| Tugas pembelajaran mesin | Regresi |
| 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 |
| WeightColumn |
Kolom berat yang diharapkan pelatih. Dapat berupa |
Properti
| Info |
IEstimator<TTransformer> untuk melatih model regresi dengan model aditif umum (GAM). (Diperoleh dari GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Metode
| Fit(IDataView, IDataView) |
GamRegressionTrainer Melatih menggunakan data pelatihan dan validasi, mengembalikan RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> untuk melatih model regresi 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 ditik 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> tempat estimator yang ingin kita dapatkan transformator dikubur di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah pas dipanggil. |