LdSvmTrainer Kelas

Referensi

Definisi

Ruang nama:: Microsoft.ML.Trainers

Rakitan:: Microsoft.ML.StandardTrainers.dll

Paket:: Microsoft.ML v3.0.1

Paket:: Microsoft.ML v1.5.5

Paket:: Microsoft.ML v1.6.0

Paket:: Microsoft.ML v1.7.0

Paket:: Microsoft.ML v2.0.0

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 memprediksi target menggunakan model klasifikasi biner non-linier yang dilatih dengan Local Deep SVM.

public sealed class LdSvmTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LdSvmModelParameters>,Microsoft.ML.Trainers.LdSvmModelParameters>

type LdSvmTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>, LdSvmModelParameters>

Public NotInheritable Class LdSvmTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of LdSvmModelParameters), LdSvmModelParameters)

Warisan: Object

TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>,LdSvmModelParameters>
LdSvmTrainer

Keterangan

Untuk membuat pelatih ini, gunakan LdSvm atau LdSvm(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`.

Karakteristik Pelatih


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

Detail Algoritma Pelatihan

Local Deep SVM (LD-SVM) adalah generalisasi Pembelajaran Beberapa Kernel yang Dilokalkan untuk SVM non-linier. Beberapa metode kernel mempelajari kernel yang berbeda, dan karenanya pengklasifikasi yang berbeda, untuk setiap titik di ruang fitur. Biaya waktu prediksi untuk beberapa metode kernel dapat sangat mahal untuk set pelatihan besar karena sebanding dengan jumlah vektor dukungan, dan ini tumbuh secara linear dengan ukuran set pelatihan. LD-SVM mengurangi biaya prediksi dengan mempelajari penyematan fitur lokal berbasis pohon yang berdimensi tinggi dan jarang, mengodekan non-linieritas secara efisien. Dengan menggunakan LD-SVM, biaya prediksi tumbuh secara logaritma dengan ukuran set pelatihan, bukan secara linier, dengan kerugian yang dapat ditoleransi dalam akurasi klasifikasi.

Local Deep SVM adalah implementasi dari algoritma yang dijelaskan dalam C. Jose, P. Goyal, P. Aggrwal, dan M. Varma, Pembelajaran Kernel Mendalam Lokal untuk Prediksi SVM Non-linear yang Efisien, ICML, 2013.

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 memprediksi target menggunakan model klasifikasi biner non-linier yang dilatih dengan Local Deep SVM.

Metode

Fit(IDataView)	Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner non-linier yang dilatih dengan Local Deep SVM. (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.

Berlaku untuk

Bagikan melalui