GamBinaryTrainer Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Trainers.FastTree

Zestaw:

Microsoft.ML.FastTree.dll

Pakiet:

Microsoft.ML.FastTree v2.0.0

Element IEstimator<TTransformer> do trenowania modelu klasyfikacji binarnej za pomocą uogólnionych modeli addytywnego (GAM).

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))

Dziedziczenie

Object

TrainerEstimatorBase<TTransformer,TPredictor>

GamTrainerBase<GamBinaryTrainer.Options,BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<GamBinaryModelParameters,PlattCalibrator>>

GamBinaryTrainer

Uwagi

Aby utworzyć tego trenera, użyj opcji Gam lub Gam(Options).

Kolumny wejściowe i wyjściowe

Dane kolumny etykiety wejściowej muszą mieć wartość Boolean. Dane kolumn danych wejściowych muszą być znanym wektorem o rozmiarze Single.

Ten trener wyprowadza następujące kolumny:

Nazwa kolumny wyjściowej	Typ kolumny	Opis
Score	Single	Niezwiązany wynik obliczony przez model.
PredictedLabel	Boolean	Przewidywana etykieta na podstawie znaku wyniku. Wynik ujemny mapuje na false wartości i wynik dodatni jest mapowy na truewartość .
Probability	Single	Prawdopodobieństwo obliczone przez kalibrowanie wyniku wartości true jako etykiety. Wartość prawdopodobieństwa jest w zakresie [0, 1].

Cechy trenera

Zadanie uczenia maszynowego	Klasyfikacja binarna
Czy normalizacja jest wymagana?	Nie
Czy buforowanie jest wymagane?	Nie
Wymagane narzędzie NuGet oprócz Microsoft.ML	Microsoft.ML.FastTree
Możliwość eksportowania do ONNX	Nie

Szczegóły algorytmu trenowania

Uogólnione modele addytywne (GAM) modeluje dane jako zestaw funkcji niezależnych liniowo, podobnie jak model liniowy. Dla każdej funkcji trener GAM uczy się funkcji nieliniowej, nazywanej "funkcją kształtu", która oblicza odpowiedź jako funkcję wartości funkcji. (Natomiast model liniowy pasuje do odpowiedzi liniowej (np. linii) do każdej funkcji. Aby ocenić dane wejściowe, dane wyjściowe wszystkich funkcji kształtu są sumowane, a wynik jest wartością całkowitą.

Ten trener GAM jest implementowany przy użyciu płytkich drzew wzmocnionych gradientem (np. pniaki drzewa) w celu uczenia się nieparametrycznych funkcji kształtu i opiera się na metodzie opisanej w Lou, Caruana i Gehrke. "Intelligible Models for Classification and Regression" (Modele intelligible klasyfikacji i regresji). KDD'12, Pekin, Chiny. 2012. Po trenowaniu do zestawu treningowego dodawany jest przecięcie reprezentujące średnią prognozę, a funkcje kształtu są znormalizowane w celu reprezentowania odchylenia od średniej przewidywania. Powoduje to proste interpretowanie modeli przez inspekcję przechwycenia i funkcji kształtu. Zapoznaj się z poniższym przykładem trenowania modelu GAM i sprawdzania i interpretowania wyników.

Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.

Pola

FeatureColumn	Kolumna funkcji, której oczekuje trener. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Kolumna etykiety oczekiwana przez trenera. Może to być null, co oznacza, że etykieta nie jest używana do trenowania. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Kolumna wagi oczekiwana przez trenera. Może to być null, co oznacza, że waga nie jest używana do trenowania. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

Właściwości

Info	Element IEstimator<TTransformer> do trenowania modelu klasyfikacji binarnej za pomocą uogólnionych modeli addytywnego (GAM). (Odziedziczone po GamTrainerBase<TOptions,TTransformer,TPredictor>)

Metody

Fit(IDataView)	Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)	Trenuje GamBinaryTrainer przy użyciu zarówno danych trenowania, jak i walidacji, zwraca wartość BinaryPredictionTransformer<TModel>.
GetOutputSchema(SchemaShape)	Element IEstimator<TTransformer> do trenowania modelu klasyfikacji binarnej za pomocą uogólnionych modeli addytywnego (GAM). (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

Metody rozszerzania

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

Dołącz "punkt kontrolny buforowania" do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane pod kątem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych.

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

Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który będzie wywoływać delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólny ITransformerelement . Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania, za pośrednictwem EstimatorChain<TLastTransformer> którego narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania.

Zobacz też

• Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)
• Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)
• GamBinaryTrainer.Options