SdcaBinaryTrainerBase<TModelParameters> Classe

Definizione

Spazio dei nomi:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Pacchetto:

Microsoft.ML v3.0.1

SDCA è un algoritmo di training generale per modelli lineari (generalizzati), ad esempio la macchina vettore di supporto, la regressione lineare, la regressione logistica e così via. La famiglia di docente di classificazione binaria SDCA include diversi membri chiusi: (1) SdcaNonCalibratedBinaryTrainer supporta funzioni di perdita generali e restituisce LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer esegue essenzialmente il training di un modello di regressione logistica regolare. Poiché la regressione logistica fornisce naturalmente l'output della probabilità, il tipo del modello generato è CalibratedModelParametersBase<TSubModel,TCalibrator>. dove TSubModel è LinearBinaryModelParameters e TCalibrator è PlattCalibrator.

public abstract class SdcaBinaryTrainerBase<TModelParameters> : Microsoft.ML.Trainers.SdcaTrainerBase<Microsoft.ML.Trainers.SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,Microsoft.ML.Data.BinaryPredictionTransformer<TModelParameters>,TModelParameters> where TModelParameters : class

type SdcaBinaryTrainerBase<'ModelParameters (requires 'ModelParameters : null)> = class
    inherit SdcaTrainerBase<SdcaBinaryTrainerBase<'ModelParameters>.BinaryOptionsBase, BinaryPredictionTransformer<'ModelParameters>, 'ModelParameters (requires 'ModelParameters : null)>

Public MustInherit Class SdcaBinaryTrainerBase(Of TModelParameters)
Inherits SdcaTrainerBase(Of SdcaBinaryTrainerBase(Of TModelParameters).BinaryOptionsBase, BinaryPredictionTransformer(Of TModelParameters), TModelParameters)

Parametri di tipo

TModelParameters

Ereditarietà

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,BinaryPredictionTransformer<TModelParameters>,TModelParameters>

SdcaBinaryTrainerBase<TModelParameters>

Derivato

Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

Campi

FeatureColumn	Colonna di funzionalità prevista dal trainer. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Colonna etichetta prevista dal trainer. Può essere null, che indica che l'etichetta non viene usata per il training. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Colonna di peso prevista dal trainer. Può essere null, che indica che il peso non viene usato per il training. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>)

Proprietà

Info

SDCA è un algoritmo di training generale per modelli lineari (generalizzati), ad esempio la macchina vettore di supporto, la regressione lineare, la regressione logistica e così via. La famiglia di docente di classificazione binaria SDCA include diversi membri chiusi: (1) SdcaNonCalibratedBinaryTrainer supporta funzioni di perdita generali e restituisce LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer esegue essenzialmente il training di un modello di regressione logistica regolare. Poiché la regressione logistica fornisce naturalmente l'output della probabilità, il tipo del modello generato è CalibratedModelParametersBase<TSubModel,TCalibrator>. dove TSubModel è LinearBinaryModelParameters e TCalibrator è PlattCalibrator.

Metodi

Fit(IDataView)

Esegue il training e restituisce un ITransformeroggetto . (Ereditato da TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

SDCA è un algoritmo di training generale per modelli lineari (generalizzati), ad esempio la macchina vettore di supporto, la regressione lineare, la regressione logistica e così via. La famiglia di docente di classificazione binaria SDCA include diversi membri chiusi: (1) SdcaNonCalibratedBinaryTrainer supporta funzioni di perdita generali e restituisce LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer esegue essenzialmente il training di un modello di regressione logistica regolare. Poiché la regressione logistica fornisce naturalmente l'output della probabilità, il tipo del modello generato è CalibratedModelParametersBase<TSubModel,TCalibrator>. dove TSubModel è LinearBinaryModelParameters e TCalibrator è PlattCalibrator. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>)

Metodi di estensione

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. Ciò garantisce che gli estimatori downstream vengano sottoposti a training sui dati memorizzati nella cache. È utile avere un checkpoint di memorizzazione nella cache prima dei training che accettano più passaggi di dati.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Dato un stimatore, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. Spesso è importante che un stimatore restituisca informazioni su ciò che è stato adatto, che è il motivo per cui il Fit(IDataView) metodo restituisce un oggetto tipizzato in modo specifico, anziché solo un oggetto generale ITransformer. Tuttavia, allo stesso tempo, IEstimator<TTransformer> sono spesso formati in pipeline con molti oggetti, quindi potrebbe essere necessario creare una catena di stima tramite EstimatorChain<TLastTransformer> dove lo stimatore per cui si vuole ottenere il trasformatore è sepolto da qualche parte in questa catena. Per questo scenario, è possibile collegare questo metodo a un delegato che verrà chiamato una volta chiamato fit.