GamBinaryTrainer クラス
定義
重要
一部の情報は、リリース前に大きく変更される可能性があるプレリリースされた製品に関するものです。 Microsoft は、ここに記載されている情報について、明示または黙示を問わず、一切保証しません。
IEstimator<TTransformer>一般化加法モデル (GAM) を使用して二項分類モデルをトレーニングする場合。
public sealed class GamBinaryTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type GamBinaryTrainer = class
inherit GamTrainerBase<GamBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class GamBinaryTrainer
Inherits GamTrainerBase(Of GamBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator))- 継承
注釈
このトレーナーを作成するには、 Gam または Gam(Options)を使用します。
入力列と出力列
入力ラベル列データは Boolean にする必要があります。 入力特徴列データは、既知のサイズの Singleベクターである必要があります。
このトレーナーからは、以下の列が出力されます。
| 出力列の名前 | 列の型 | 説明 | |
|---|---|---|---|
Score |
Single | モデルによって計算された無制限のスコア。 | |
PredictedLabel |
Boolean | スコアの符号に基づく予測ラベル。 負のスコアは false にマップされ、正のスコアは true にマップされます。 |
|
Probability |
Single | ラベルとして true を持つスコアを調整することによって計算される確率。 確率値の範囲は [0, 1] です。 |
トレーナーの特性
| 機械学習タスク | 二項分類 |
| 正規化は必要ですか? | いいえ |
| キャッシュは必要ですか? | いいえ |
| Microsoft.ML に加えて必要な NuGet | Microsoft.ML.FastTree |
| ONNX にエクスポート可能 | いいえ |
トレーニング アルゴリズムの詳細
一般化された加法モデル (GAM) は、線形モデルと同様に、線形に独立した特徴のセットとしてデータをモデル化します。 GAM トレーナーは、特徴ごとに、特徴の値の関数として応答を計算する、"図形関数" と呼ばれる非線形関数を学習します。 (これに対し、線形モデルは、各フィーチャに線形応答 (線など) を適合します)。 入力をスコア付けするために、すべての図形関数の出力が合計され、スコアが合計値になります。
この GAM トレーナーは、浅い勾配ブースティング ツリー (木の切り株など) を使用してノンパラメーターシェイプ関数を学習するために実装され、ルー、カルアナ、および Gehrke で説明されている方法に基づいています。 "分類と回帰の理解可能なモデル" KDD'12、北京、中国。 2012. トレーニング後、トレーニング セットの平均予測を表すインターセプトが追加され、図形関数は平均予測からの偏差を表すために正規化されます。 これにより、インターセプトと図形関数を検査するだけで簡単に解釈できるモデルが得られます。 GAM モデルをトレーニングし、結果を検査して解釈する方法の例については、以下のサンプルを参照してください。
使用法の例へのリンクについては、「関連項目」セクションを参照してください。
フィールド
| FeatureColumn |
トレーナーが期待する特徴列。 (継承元 TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
トレーナーが期待するラベル列。 を指定できます |
| WeightColumn |
トレーナーが期待する重み列。 は |
プロパティ
| Info |
IEstimator<TTransformer>一般化加法モデル (GAM) を使用して二項分類モデルをトレーニングする場合。 (継承元 GamTrainerBase<TOptions,TTransformer,TPredictor>) |
メソッド
| Fit(IDataView, IDataView) |
トレーニングデータと検証データの GamBinaryTrainer 両方を使用してトレーニングを行い、 BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
をトレーニングして返します ITransformer。 (継承元 TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer>一般化加法モデル (GAM) を使用して二項分類モデルをトレーニングする場合。 (継承元 TrainerEstimatorBase<TTransformer,TModel>) |
拡張メソッド
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
推定チェーンに "キャッシュ チェックポイント" を追加します。 これにより、ダウンストリーム推定器がキャッシュされたデータに対してトレーニングされるようになります。 複数のデータを受け取るトレーナーの前にキャッシュ チェックポイントを設定すると便利です。 |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
エスティメーターを指定すると、デリゲートが呼 Fit(IDataView) び出されると呼び出されるラップ オブジェクトを返します。 多くの場合、エスティメーターが適合した内容に関する情報を返すことが重要です。そのため Fit(IDataView) 、メソッドは一般的 ITransformerなオブジェクトではなく、具体的に型指定されたオブジェクトを返します。 ただし、同時に、 IEstimator<TTransformer> 多くのオブジェクトを含むパイプラインに形成されることが多いため、トランスフォーマーを取得する推定器がこのチェーンのどこかに埋もれている場所を介して EstimatorChain<TLastTransformer> 、推定器のチェーンを構築する必要がある場合があります。 このシナリオでは、このメソッドを使用して、fit が呼び出されると呼び出されるデリゲートをアタッチできます。 |