NormalizingEstimator Classe

Definizione

Spazio dei nomi:

Microsoft.ML.Transforms

Assembly:

Microsoft.ML.Data.dll

Pacchetto:

Microsoft.ML v5.0.0-preview.1.25125.4

Origine:

Normalizer.cs

IEstimator<TTransformer>per .NormalizingTransformer

public sealed class NormalizingEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.NormalizingTransformer>

type NormalizingEstimator = class
    interface IEstimator<NormalizingTransformer>

Public NotInheritable Class NormalizingEstimator
Implements IEstimator(Of NormalizingTransformer)

Ereditarietà

Object

NormalizingEstimator

Implementazioni

IEstimator<NormalizingTransformer>

Commenti

Caratteristiche dello strumento di stima

Questo strumento di stima deve esaminare i dati per eseguire il training dei relativi parametri?	Yes
Tipo di dati colonna di input	Single o Double un vettore con dimensioni note di tali tipi.
Tipo di dati della colonna di output	Stesso tipo di dati della colonna di input
Esportabile in ONNX	Yes

L'oggetto NormalizingEstimator risultante normalizzerà i dati in uno dei modi seguenti in base alla modalità di creazione:

• Min Max: ridimensionamento lineare basato sui valori minimo e massimo per ogni riga.
• Varianza media: ridimensionare ogni riga in varianza unità e, facoltativamente, zero media.
• Varianza media log: ridimensionare ogni riga in varianza unità, facoltativamente, zero media in base ai calcoli nella scala dei log.
• Binning: suddivide in bucket i dati in ogni riga ed esegue una scalabilità lineare in base ai bin calcolati.
• Binning supervisionato: suddivide in bucket i dati in ogni riga ed esegue una scalabilità lineare in base ai bin calcolati. Il calcolo bin si basa sulla correlazione della colonna Label.
• Scalabilità affidabile: è possibile centrata facoltativamente i dati e le scale in base all'intervallo di dati e ai valori quantili min e max forniti. Questo metodo è più affidabile per gli outlier.

Dettagli dello strumento di stima

L'intervallo dei dati normalizzati dipende dal fatto che fixZero sia specificato o meno. fixZero ha valore predefinito true. Quando fixZero è false, l'intervallo normalizzato è $[0,1]$ e la distribuzione dei valori normalizzati dipende dalla modalità di normalizzazione. Ad esempio, con Min Max, i valori minimo e massimo vengono mappati rispettivamente a 0 e 1 e i valori rimanenti rientrano tra. Quando fixZero è impostato, l'intervallo normalizzato è $[-1,1]$ con la distribuzione dei valori normalizzati a seconda della modalità di normalizzazione, ma il comportamento è diverso. Con Min Max, la distribuzione dipende dalla distanza tra 0 e 0, determinando il numero con la distanza massima mappata a 1 se si tratta di un numero positivo o -1 se si tratta di un numero negativo. La distanza da 0 influirà sulla distribuzione con la maggior parte dei numeri che si avvicinano alla normalizzazione verso 0. Il ridimensionamento affidabile non usa fixZero e i relativi valori non sono vincolati a $[0,1]$ o $[-1,1]$. Il ridimensionamento è basato sull'intervallo dei dati e sul quantile min e max forniti.

L'equazione per l'output $y$ di applicazione sia della varianza media che della varianza del log all'input $x$ senza usare l'opzione CDF è: $y = (x - \text{offset}) \text{scale}$. Dove vengono calcolati offset e scalabilità durante il training.

L'uso dell'opzione CDF è: $y = 0,5 * (1 + \text{ERF}((x - \text{mean}) / (\text{deviazione standard} * sqrt(2)))$. Dove ERF è la funzione di errore usata per approssimare la funzione CDF di una variabile casuale che si presuppone di distribuire normalmente. La deviazione media e standard viene calcolata durante il training.

Per creare questo strumento di stima, usare una delle opzioni seguenti:

• [NormalizeMinMax](xref:Microsoft.ML.NormalizationCatalog.NormalizeMinMax(Microsoft.ML.TransformsCatalog, System.String, System.String, System.Int64, System.Boolean))
• NormalizeMeanVariance
• NormalizeLogMeanVariance
• NormalizeBinning
• NormalizeSupervisedBinning
• NormalizeRobustScaling

Controllare i collegamenti precedenti per gli esempi di utilizzo.

Metodi

Nome	Descrizione
Fit(IDataView)	Esegue il training e restituisce un oggetto NormalizingTransformer.
GetOutputSchema(SchemaShape)	Restituisce l'oggetto SchemaShape dello schema che verrà prodotto dal trasformatore. Usato per la propagazione e la verifica dello schema in una pipeline.

Metodi di estensione

Nome	Descrizione
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. In questo modo si garantisce che gli estimatori downstream vengano sottoposti a training su dati memorizzati nella cache. È utile disporre di un checkpoint di memorizzazione nella cache prima che i formatori eseseguono più passaggi di dati.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	Dato uno strumento di stima, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. È spesso importante che uno strumento di stima restituisca informazioni sulle dimensioni, 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.