PairwiseCouplingTrainer 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 pengklasifikasi multi-kelas konektor berpasangan yang menggunakan pengklasifikasi biner yang ditentukan.
public sealed class PairwiseCouplingTrainer : Microsoft.ML.Trainers.MetaMulticlassTrainer<Microsoft.ML.Data.MulticlassPredictionTransformer<Microsoft.ML.Trainers.PairwiseCouplingModelParameters>,Microsoft.ML.Trainers.PairwiseCouplingModelParameters>
type PairwiseCouplingTrainer = class
inherit MetaMulticlassTrainer<MulticlassPredictionTransformer<PairwiseCouplingModelParameters>, PairwiseCouplingModelParameters>
Public NotInheritable Class PairwiseCouplingTrainer
Inherits MetaMulticlassTrainer(Of MulticlassPredictionTransformer(Of PairwiseCouplingModelParameters), PairwiseCouplingModelParameters)
- Warisan
-
MetaMulticlassTrainer<MulticlassPredictionTransformer<PairwiseCouplingModelParameters>,PairwiseCouplingModelParameters>PairwiseCouplingTrainer
Keterangan
Untuk membuat pelatih ini, gunakan PairwiseCoupling.
Kolom Input dan Output
Data kolom label input harus berupa jenis kunci dan kolom fitur harus merupakan vektor berukuran besar yang diketahui dari Single.
Pelatih ini menghasilkan kolom berikut:
Nama Kolom Output | Jenis Kolom | Deskripsi |
---|---|---|
Score |
Vektor dari Single | Skor semua kelas. Nilai yang lebih tinggi berarti probabilitas yang lebih tinggi untuk masuk ke kelas terkait. Jika elemen i-th memiliki nilai terbesar, indeks label yang diprediksi adalah i. Perhatikan bahwa i adalah indeks berbasis nol. |
PredictedLabel |
jenis kunci | Indeks label yang diprediksi. Jika nilainya adalah i, label aktual akan menjadi kategori i-th dalam jenis label input bernilai kunci. |
Karakteristik Pelatih
Tugas pembelajaran mesin | Klasifikasi multikelas |
Apakah normalisasi diperlukan? | Tergantung pada pengklasifikasi biner yang mendasarinya |
Apakah penembolokan diperlukan? | Ya |
NuGet yang diperlukan selain Microsoft.ML | Tidak ada |
Dapat diekspor ke ONNX | Tidak |
Detail Algoritma Pelatihan
Dalam strategi ini, algoritma klasifikasi biner dilatih pada setiap pasangan kelas. Pasangan tidak diurutkan tetapi dibuat dengan penggantian: jadi, jika ada tiga kelas, 0, 1, 2, kami akan melatih pengklasifikasi untuk pasangan (0,0), (0,1), (0,2), (1,1), (1,2), dan (2,2). Untuk setiap pengklasifikasi biner, titik data input dianggap sebagai contoh positif jika berada di salah satu dari dua kelas dalam pasangan, dan contoh negatif sebaliknya. Pada waktu prediksi, probabilitas untuk setiap pasangan kelas dianggap sebagai probabilitas berada di salah satu kelas pasangan yang diberikan data, dan probabilitas prediktif akhir dari per kelas dihitung mengingat probabilitas bahwa contoh berada dalam pasangan tertentu.
Ini dapat memungkinkan Anda untuk mengeksploitasi pelatih yang tidak secara alami memiliki opsi multikelas, misalnya, menggunakan FastTreeBinaryTrainer untuk menyelesaikan masalah multikelas. Secara bergantian, itu dapat memungkinkan ML.NET untuk memecahkan masalah "lebih sederhana" bahkan dalam kasus di mana pelatih memiliki opsi multikelas, tetapi menggunakannya secara langsung tidak praktis karena, biasanya, kendala memori. Misalnya, sementara regresi logistik multikelas adalah cara yang lebih berprinsip untuk menyelesaikan masalah multikelas, itu mengharuskan pelatih menyimpan keadaan yang jauh lebih menengah dalam bentuk riwayat L-BFGS untuk semua kelas secara bersamaan, daripada hanya satu per satu seperti yang akan diperlukan untuk model klasifikasi konektor berpasangan.
Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.
Properti
Info |
IEstimator<TTransformer> untuk melatih pengklasifikasi multi-kelas konektor berpasangan yang menggunakan pengklasifikasi biner yang ditentukan. (Diperoleh dari MetaMulticlassTrainer<TTransformer,TModel>) |
Metode
Fit(IDataView) |
Cocok dengan data ke transformator |
GetOutputSchema(SchemaShape) |
Mendapatkan kolom output. (Diperoleh dari MetaMulticlassTrainer<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. |
Berlaku untuk
Lihat juga
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk