LdSvmTrainer 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 przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej wyszkolonego przy użyciu lokalnego głębokiego svM.
public sealed class LdSvmTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LdSvmModelParameters>,Microsoft.ML.Trainers.LdSvmModelParameters>type LdSvmTrainer = class
inherit TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>, LdSvmModelParameters>Public NotInheritable Class LdSvmTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of LdSvmModelParameters), LdSvmModelParameters)- Dziedziczenie
Uwagi
Aby utworzyć ten trener, użyj polecenia LdSvm lub LdSvm(Options).
Kolumny wejściowe i wyjściowe
Dane kolumny etykiety wejściowej muszą mieć wartość Boolean. Dane wejściowe funkcji kolumny muszą być znanym wektorem o rozmiarze Single. Ten trener generuje następujące kolumny:
| Nazwa kolumny wyjściowej | Typ kolumny | Opis |
|---|---|---|
Score |
Single | Niezwiązany wynik, który został obliczony przez model. |
PredictedLabel |
Boolean | Przewidywana etykieta na podstawie znaku wyniku. Wynik ujemny mapuje na false wartości i wynik dodatni jest mapowy na true. |
Cechy trenera
| Zadanie uczenia maszynowego | Klasyfikacja binarna |
| Czy normalizacja jest wymagana? | Tak |
| Czy buforowanie jest wymagane? | Nie |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Brak |
| Eksportowanie do pliku ONNX | Nie |
Szczegóły algorytmu trenowania
Local Deep SVM (LD-SVM) to uogólnienie zlokalizowanego uczenia jądra dla maszyn wirtualnych nieliniowych. Wiele metod jądra uczy się innego jądra, a tym samym innego klasyfikatora dla każdego punktu w przestrzeni funkcji. Koszt czasu przewidywania dla wielu metod jądra może być zbyt kosztowny dla dużych zestawów treningowych, ponieważ jest proporcjonalny do liczby wektorów obsługi, a te rosną liniowo z rozmiarem zestawu treningowego. LD-SVM zmniejsza koszt przewidywania, ucząc się osadzania funkcji lokalnej opartej na drzewie, która jest wysokowymiarowa i rozrzedzona, efektywnie kodując nieliniowe. Przy użyciu LD-SVM koszt przewidywania rośnie logarytmicznie z rozmiarem zestawu treningowego, a nie liniowo, z tolerowaną utratą dokładności klasyfikacji.
Local Deep SVM to implementacja algorytmu opisanego w języku C. Jose, P. Goyal, P. Aggrwal i M. Varma, Local Deep Kernel Learning for Efficient Non-linear SVM Prediction, ICML, 2013.
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, którą oczekuje trener. Może to być |
| WeightColumn |
Kolumna wagi, którą oczekuje trener. Może to być |
Właściwości
| Info |
Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej wyszkolonego przy użyciu lokalnego głębokiego svM. |
Metody
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej wyszkolonego przy użyciu lokalnego głębokiego svM. (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 względem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejmą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła 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 ogólną ITransformerwartość . Jednak w tym samym czasie IEstimator<TTransformer> często są tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym 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. |