LinearSvmTrainer Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers

Rakitan:

Microsoft.ML.StandardTrainers.dll

Paket:

Microsoft.ML v3.0.1

IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner linier yang dilatih dengan SVM Linear.

public sealed class LinearSvmTrainer : Microsoft.ML.Trainers.OnlineLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>

type LinearSvmTrainer = class
    inherit OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>

Public NotInheritable Class LinearSvmTrainer
Inherits OnlineLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)

Warisan

Object

TrainerEstimatorBase<TTransformer,TModel>

OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>,LinearBinaryModelParameters>

LinearSvmTrainer

Keterangan

Untuk membuat pelatih ini, gunakan LinearSvm atau LinearSvm(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	Ya

Detail Algoritma Pelatihan

SVM linier mengimplementasikan algoritma yang menemukan hiperplane di ruang fitur untuk klasifikasi biner, dengan memecahkan masalah SVM. Misalnya, dengan nilai fitur $f_0, f_1,..., f_{D-1}$, prediksi diberikan dengan menentukan sisi hyperplane mana yang termasuk dalam titik. Itu sama dengan tanda jumlah tertimbang perayaan, yaitu $\sum_{i = 0}^{D-1} \left(w_i * f_i \right) + b$, di mana $w_0, w_1,..., w_{D-1}$ adalah bobot yang dihitung oleh algoritma, dan $b$ adalah bias yang dihitung oleh algoritma.

SVM linier mengimplementasikan metode PEGASOS, yang bergantian antara langkah-langkah penurunan gradien stochastic dan langkah-langkah proyeksi, yang diperkenalkan dalam makalah ini oleh Shalev-Shwartz, Singer dan Srebro.

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 linier yang dilatih dengan SVM Linear. (Diperoleh dari OnlineLinearTrainer<TTransformer,TModel>)

Metode

Fit(IDataView)	Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Melanjutkan pelatihan menggunakan OnlineLinearTrainer<TTransformer,TModel> yang sudah dilatih modelParameters dan mengembalikan ITransformer. (Diperoleh dari OnlineLinearTrainer<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner linier yang dilatih dengan SVM Linear. (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

• LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)
• LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)