GamBinaryTrainer Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
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
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 |
| WeightColumn |
Kolumna wagi oczekiwana przez trenera. Może to być |
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, IDataView) |
Trenuje GamBinaryTrainer przy użyciu zarówno danych trenowania, jak i walidacji, zwraca wartość BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,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. |