SgdNonCalibratedTrainer Classe

Definizione

Spazio dei nomi:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Pacchetto:

Microsoft.ML v3.0.1

Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo.

public sealed class SgdNonCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Trainers.LinearBinaryModelParameters>

type SgdNonCalibratedTrainer = class
    inherit SgdBinaryTrainerBase<LinearBinaryModelParameters>

Public NotInheritable Class SgdNonCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of LinearBinaryModelParameters)

Ereditarietà

Object

TrainerEstimatorBase<TTransformer,TModel>

LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>

SgdBinaryTrainerBase<LinearBinaryModelParameters>

SgdNonCalibratedTrainer

Commenti

Per creare questo formatore, usare SgdNonCalibrated o SgdNonCalibrated(Options).

Colonne di input e output

I dati della colonna dell'etichetta di input devono essere Boolean. I dati delle colonne delle funzionalità di input devono essere un vettore di dimensioni note di Single. Questo formatore restituisce le colonne seguenti:

Nome colonna di output	Tipo di colonna	Descrizione
Score	Single	Punteggio non associato calcolato dal modello.
PredictedLabel	Boolean	L'etichetta stimata, in base al segno del punteggio. Un punteggio negativo esegue il mapping a false e un punteggio negativo esegue il mapping a true.

Caratteristiche del formatore

Attività di Machine Learning	Classificazione binaria
La normalizzazione è necessaria?	Sì
La memorizzazione nella cache è necessaria?	No
NuGet richiesto oltre a Microsoft.ML	Nessuno
Esportabile in ONNX	Sì

Dettagli algoritmo di training

La discesa stocastica del gradiente (SGD) è una delle procedure di ottimizzazione stocastiche più diffuse che possono essere integrate in diverse attività di Machine Learning per ottenere prestazioni all'avanguardia. Questo trainer implementa la discesa stocastica stocastica di Hogwild per la classificazione binaria che supporta il multithreading senza alcun blocco. Se il problema di ottimizzazione associato è sparse, Hogwild Stochastic Gradient Descent ottiene un tasso di convergenza quasi ottimale. Per altre informazioni su Hogwild Stochastic Gradient Descent(Discesa del gradiente stocastico) sono disponibili qui.

Vedere la sezione Vedere anche per i collegamenti ad esempi di utilizzo.

Campi

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

Proprietà

Info	Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo. (Ereditato da SgdBinaryTrainerBase<TModel>)

Metodi

Fit(IDataView)	Esegue il training e restituisce un oggetto ITransformer. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Continua il training di un SdcaLogisticRegressionBinaryTrainer oggetto utilizzando un oggetto già sottoposto a modelParameters training e restituisce un oggetto Microsoft.ML.Data.BinaryPredictionTransformer. (Ereditato da SgdBinaryTrainerBase<TModel>)
GetOutputSchema(SchemaShape)	Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo. (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 in base ai dati memorizzati nella cache. È utile avere un checkpoint di memorizzazione nella cache prima che i formatori eseseguono più passaggi di dati.

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

Dato un estimator, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. È spesso importante che uno strumento di stima restituisca informazioni sull'adattamento, 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> vengono spesso formati in pipeline con molti oggetti, quindi potrebbe essere necessario creare una catena di estimatori tramite EstimatorChain<TLastTransformer> dove lo strumento di stima per il quale si vuole ottenere il trasformatore è sepolto in una posizione in questa catena. Per questo scenario, è possibile collegare un delegato che verrà chiamato una volta chiamato fit.

Vedi anche

• SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)
• SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)
• SgdNonCalibratedTrainer.Options