LinearSvmTrainer 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 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
Keterangan
Untuk membuat pelatih ini, gunakan LinearSvm atau LinearSvm(Options).
Kolom Input dan Output
Data kolom label input harus berupa Boolean. Data kolom fitur input harus merupakan vektor berukuran dikenal dari Single. Pelatih ini menghasilkan kolom berikut:
| Nama Kolom Output | Tipe Kolom | Description |
|---|---|---|
Score |
Single | Skor tidak terbatas yang dihitung oleh model. |
PredictedLabel |
Boolean | Label yang diprediksi, berdasarkan tanda skor. Skor negatif dipetakan ke false dan skor positif dipetakan ke true. |
Karakteristik Pelatih
| Tugas pembelajaran mesin | Klasifikasi biner |
| Apakah normalisasi diperlukan? | Ya |
| Apakah penembolokan diperlukan? | Tidak |
| NuGet yang diperlukan selain Microsoft.ML | None |
| Dapat diekspor ke ONNX | Ya |
Detail Algoritma Pelatihan
SVM linier mengimplementasikan algoritma yang menemukan hyperplane 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 apa yang termasuk dalam titik. Itu sama dengan tanda feautures 'jumlah tertimbang, 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
| Nama | Deskripsi |
|---|---|
| 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
| Nama | Deskripsi |
|---|---|
| Info |
IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner linier yang dilatih dengan SVM Linear. (Diperoleh dari OnlineLinearTrainer<TTransformer,TModel>) |
Metode
| Nama | Deskripsi |
|---|---|
| Fit(IDataView, LinearModelParameters) |
Melanjutkan pelatihan OnlineLinearTrainer<TTransformer,TModel> menggunakan yang sudah dilatih |
| Fit(IDataView) |
Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<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
| Nama | Deskripsi |
|---|---|
| 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 lolos. |
| 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> 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 cocok dipanggil. |