SdcaMaximumEntropyMulticlassTrainer 클래스

정의

네임스페이스:

Microsoft.ML.Trainers

어셈블리:

Microsoft.ML.StandardTrainers.dll

패키지:

Microsoft.ML v3.0.1

IEstimator<TTransformer> 최대 엔트로피 다중 클래스 분류자를 사용하여 대상을 예측하는 것입니다. 학습된 모델은 MaximumEntropyModelParameters 클래스의 확률을 생성합니다.

public sealed class SdcaMaximumEntropyMulticlassTrainer : Microsoft.ML.Trainers.SdcaMulticlassTrainerBase<Microsoft.ML.Trainers.MaximumEntropyModelParameters>

type SdcaMaximumEntropyMulticlassTrainer = class
    inherit SdcaMulticlassTrainerBase<MaximumEntropyModelParameters>

Public NotInheritable Class SdcaMaximumEntropyMulticlassTrainer
Inherits SdcaMulticlassTrainerBase(Of MaximumEntropyModelParameters)

상속

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaMulticlassTrainerBase<TModel>.MulticlassOptions,MulticlassPredictionTransformer<TModel>,TModel>

SdcaMulticlassTrainerBase<MaximumEntropyModelParameters>

SdcaMaximumEntropyMulticlassTrainer

설명

이 트레이너를 만들려면 SdcaMaximumEntropy 또는 SdcaMaximumEntropy(옵션)를 사용합니다.

입력 및 출력 열

입력 레이블 열 데이터는 키 형식이어야 하며 기능 열은 알려진 크기의 벡터 Single여야 합니다.

이 트레이너는 다음 열을 출력합니다.

출력 열 이름	열 유형	설명
Score	Single 벡터	모든 클래스의 점수. 값이 높을수록 연결된 클래스에 해당할 가능성이 높습니다. i번째 요소의 값이 가장 크다면 예측된 레이블 인덱스는 i가 됩니다. i는 0부터 시작하는 인덱스입니다.
PredictedLabel	키 형식	예측된 레이블의 인덱스입니다. 값이 i라면 실제 레이블은 키 값 입력 레이블 형식에서 i번째 범주입니다.

트레이너 특성

기계 학습 작업	다중 클래스 분류
정규화가 필요한가요?	예
캐싱이 필요한가요?	아니요
Microsoft.ML 외에도 필요한 NuGet	없음
ONNX로 내보낼 수 있습니다.	예

점수 매기기 함수

이렇게 하면 선형 모델을 학습하여 다중 클래스 분류 문제를 해결합니다. 클래스 수가 $m$이고 기능 수가 $n$라고 가정합니다. $c$-th 클래스에 계수 벡터 $\textbf{w}_c \in {\mathbb R}^n$ 및 {\mathbb R}$의 바이어스 $b_c \를 $c=1,\dots,m$에 할당합니다. 기능 벡터 $\textbf{x} \in {\mathbb R}^n$, $c$-th 클래스의 점수는 $\tilde{P}(c | \textbf{x}) = \frac{ e^{\hat{y}^c} }{ \sum_{c' = 1}^m e^{\hat{y}^{c'}} }$, where $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$. $\tilde{P}(c | \textbf{x})$는 기능 벡터가 $\textbf{x}$일 때 클래스 $c$를 관찰할 확률입니다.

학습 알고리즘 세부 정보

SdcaMulticlassTrainerBase의 설명서를 참조하세요.

사용 예제에 대한 링크는 참고 섹션을 참조하세요.

필드

FeatureColumn	트레이너가 기대하는 기능 열입니다. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	트레이너가 기대하는 레이블 열입니다. Can be null, which indicates that label is not used for training. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	트레이너가 기대하는 체중 열입니다. 가중치가 학습에 사용되지 않음을 나타내는 일 null수 있습니다. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>)

속성

Info	IEstimator<TTransformer> 최대 엔트로피 다중 클래스 분류자를 사용하여 대상을 예측하는 것입니다. 학습된 모델은 MaximumEntropyModelParameters 클래스의 확률을 생성합니다. (다음에서 상속됨 StochasticTrainerBase<TTransformer,TModel>)

메서드

Fit(IDataView)	를 학습하고 반환합니다 ITransformer. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> 최대 엔트로피 다중 클래스 분류자를 사용하여 대상을 예측하는 것입니다. 학습된 모델은 MaximumEntropyModelParameters 클래스의 확률을 생성합니다. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>)

확장 메서드

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	추정기 체인에 '캐싱 검사점'을 추가합니다. 이렇게 하면 다운스트림 추정기가 캐시된 데이터에 대해 학습됩니다. 여러 데이터 전달을 수행하는 트레이너 앞에 캐싱 검사점을 두는 것이 유용합니다.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	추정기가 지정된 경우 대리자를 호출한 후 Fit(IDataView) 호출되는 래핑 개체를 반환합니다. 예측 도구가 적합한 항목에 대한 정보를 반환하는 것이 중요한 경우가 많습니다. 따라서 Fit(IDataView) 메서드는 일반 ITransformer개체가 아닌 특별히 형식화된 개체를 반환합니다. 그러나 동시에 IEstimator<TTransformer> 개체가 많은 파이프라인으로 형성되는 경우가 많으므로 변압기를 가져올 추정기가 이 체인의 어딘가에 묻혀 있는 위치를 통해 EstimatorChain<TLastTransformer> 추정기 체인을 빌드해야 할 수도 있습니다. 이 시나리오에서는 fit이 호출되면 호출되는 대리자를 이 메서드를 통해 연결할 수 있습니다.

추가 정보

• SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)
• SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
• SdcaMaximumEntropyMulticlassTrainer.Options