GamRegressionTrainer Classe

Definição

Namespace:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Pacote:

Microsoft.ML.FastTree v2.0.0

Para IEstimator<TTransformer> treinar um modelo de regressão com modelos aditivos generalizados (GAM).

public sealed class GamRegressionTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>

type GamRegressionTrainer = class
    inherit GamTrainerBase<GamRegressionTrainer.Options, RegressionPredictionTransformer<GamRegressionModelParameters>, GamRegressionModelParameters>

Public NotInheritable Class GamRegressionTrainer
Inherits GamTrainerBase(Of GamRegressionTrainer.Options, RegressionPredictionTransformer(Of GamRegressionModelParameters), GamRegressionModelParameters)

Herança

Object

TrainerEstimatorBase<TTransformer,TPredictor>

GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>

GamRegressionTrainer

Comentários

Para criar esse treinador, use Gam ou Gam(Options).

Colunas de entrada e saída

Os dados da coluna de rótulo de entrada devem ser Single. Os dados da coluna de recursos de entrada devem ser um vetor de tamanho conhecido de Single.

Este treinador gera as seguintes colunas:

Nome da Coluna de Saída	Tipo de coluna	Descrição
Score	Single	A pontuação não associada prevista pelo modelo.

Características do Treinador

Ferramenta de machine learning	Regressão
A normalização é necessária?	No
O cache é necessário?	No
NuGet necessário além de Microsoft.ML	Microsoft.ML.FastTree
Exportável para ONNX	No

Detalhes do algoritmo de treinamento

Modelos aditivos generalizados ou GAMs modelam os dados como um conjunto de recursos linearmente independentes semelhante a um modelo linear. Para cada recurso, o treinador gam aprende uma função não linear, chamada de "função shape", que computa a resposta como uma função do valor do recurso. (Por outro lado, um modelo linear se encaixa em uma resposta linear (por exemplo, uma linha) para cada recurso.) Para pontuar uma entrada, as saídas de todas as funções de forma são resumidas e a pontuação é o valor total.

Este treinador GAM é implementado usando árvores aumentadas por gradiente raso (por exemplo, tocos de árvore) para aprender funções de forma nãoparamétricas e se baseia no método descrito em Lou, Caruana e Gehrke. "Modelos inteligíveis para classificação e regressão." KDD'12, Pequim, China. 2012. Após o treinamento, uma interceptação é adicionada para representar a previsão média sobre o conjunto de treinamento e as funções de forma são normalizadas para representar o desvio da previsão média. Isso resulta em modelos que são facilmente interpretados simplesmente inspecionando a interceptação e as funções de forma. Veja o exemplo abaixo para obter um exemplo de como treinar um modelo GAM e inspecionar e interpretar os resultados.

Verifique a seção Consulte Também para obter links para exemplos de uso.

Campos

FeatureColumn	A coluna de recursos que o treinador espera. (Herdado de TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	A coluna de rótulo que o treinador espera. Pode ser null, o que indica que o rótulo não é usado para treinamento. (Herdado de TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	A coluna de peso que o treinador espera. Pode ser null, o que indica que o peso não é usado para treinamento. (Herdado de TrainerEstimatorBase<TTransformer,TModel>)

Propriedades

Info	Para IEstimator<TTransformer> treinar um modelo de regressão com modelos aditivos generalizados (GAM). (Herdado de GamTrainerBase<TOptions,TTransformer,TPredictor>)

Métodos

Fit(IDataView)	Treina e retorna um ITransformer. (Herdado de TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)	Treina um GamRegressionTrainer uso de dados de treinamento e validação, retorna um RegressionPredictionTransformer<TModel>.
GetOutputSchema(SchemaShape)	Para IEstimator<TTransformer> treinar um modelo de regressão com modelos aditivos generalizados (GAM). (Herdado de TrainerEstimatorBase<TTransformer,TModel>)

Métodos de Extensão

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

Acrescente um "ponto de verificação de cache" à cadeia de estimativas. Isso garantirá que os estimadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que fazem várias passagens de dados.

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

Dado um estimador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um estimador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário construir uma cadeia de estimadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos que o transformador seja enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado quando fit for chamado.

Confira também

• Gam(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Double)
• Gam(RegressionCatalog+RegressionTrainers, GamRegressionTrainer+Options)
• GamRegressionTrainer.Options