LdSvmTrainer 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 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
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 |
| WeightColumn |
Kolom berat yang diharapkan pelatih. Dapat berupa |
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. |