SdcaBinaryTrainerBase<TModelParameters> Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Trainers

Zestaw:

Microsoft.ML.StandardTrainers.dll

Pakiet:

Microsoft.ML v3.0.1

SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorów nośnych, regresja liniowa, regresja logistyczna itd. Rodzina trenerów klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych elementów członkowskich: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje strat i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie dostarcza danych wyjściowych prawdopodobieństwa, typ tego wygenerowanego modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie TSubModel to i TCalibrator LinearBinaryModelParameters ma wartość PlattCalibrator.

public abstract class SdcaBinaryTrainerBase<TModelParameters> : Microsoft.ML.Trainers.SdcaTrainerBase<Microsoft.ML.Trainers.SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,Microsoft.ML.Data.BinaryPredictionTransformer<TModelParameters>,TModelParameters> where TModelParameters : class

type SdcaBinaryTrainerBase<'ModelParameters (requires 'ModelParameters : null)> = class
    inherit SdcaTrainerBase<SdcaBinaryTrainerBase<'ModelParameters>.BinaryOptionsBase, BinaryPredictionTransformer<'ModelParameters>, 'ModelParameters (requires 'ModelParameters : null)>

Public MustInherit Class SdcaBinaryTrainerBase(Of TModelParameters)
Inherits SdcaTrainerBase(Of SdcaBinaryTrainerBase(Of TModelParameters).BinaryOptionsBase, BinaryPredictionTransformer(Of TModelParameters), TModelParameters)

Parametry typu

TModelParameters

Dziedziczenie

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,BinaryPredictionTransformer<TModelParameters>,TModelParameters>

SdcaBinaryTrainerBase<TModelParameters>

Pochodne

Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

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

SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorów nośnych, regresja liniowa, regresja logistyczna itd. Rodzina trenerów klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych elementów członkowskich: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje strat i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie dostarcza danych wyjściowych prawdopodobieństwa, typ tego wygenerowanego modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie TSubModel to i TCalibrator LinearBinaryModelParameters ma wartość PlattCalibrator.

Metody

Fit(IDataView)

Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorów nośnych, regresja liniowa, regresja logistyczna itd. Rodzina trenerów klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych elementów członkowskich: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje strat i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie dostarcza danych wyjściowych prawdopodobieństwa, typ tego wygenerowanego modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie TSubModel to i TCalibrator LinearBinaryModelParameters ma wartość PlattCalibrator. (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.