SdcaBinaryTrainerBase<TModelParameters> Класс

Определение

Пространство имен:

Microsoft.ML.Trainers

Сборка:

Microsoft.ML.StandardTrainers.dll

Пакет:

Microsoft.ML v3.0.1

SDCA — это общий алгоритм обучения для (обобщенных) линейных моделей, таких как векторная машина поддержки, линейная регрессия, логистическая регрессия и т. д. Семейство тренеров двоичной классификации SDCA включает несколько запечатанных элементов: (1) SdcaNonCalibratedBinaryTrainer поддерживает общие функции потери и возвращает.LinearBinaryModelParameters (2) SdcaLogisticRegressionBinaryTrainer по существу обучает регулярной модели логистической регрессии. Так как логистическая регрессия, естественно, предоставляют выходные данные вероятности, этот тип созданной модели имеет тип CalibratedModelParametersBase<TSubModel,TCalibrator>. где TSubModel и TCalibrator есть LinearBinaryModelParametersPlattCalibrator.

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)

Параметры типа

TModelParameters

Наследование

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

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

SdcaBinaryTrainerBase<TModelParameters>

Производный

Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

Поля

FeatureColumn	Столбец признаков, который ожидает тренер. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Столбец меток, который ожидает тренер. Может иметь значение null, указывающее, что метка не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Столбец веса, который ожидает тренер. Может быть null, что указывает, что вес не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Свойства

Info

SDCA — это общий алгоритм обучения для (обобщенных) линейных моделей, таких как векторная машина поддержки, линейная регрессия, логистическая регрессия и т. д. Семейство тренеров двоичной классификации SDCA включает несколько запечатанных элементов: (1) SdcaNonCalibratedBinaryTrainer поддерживает общие функции потери и возвращает.LinearBinaryModelParameters (2) SdcaLogisticRegressionBinaryTrainer по существу обучает регулярной модели логистической регрессии. Так как логистическая регрессия, естественно, предоставляют выходные данные вероятности, этот тип созданной модели имеет тип CalibratedModelParametersBase<TSubModel,TCalibrator>. где TSubModel и TCalibrator есть LinearBinaryModelParametersPlattCalibrator.

Методы

Fit(IDataView)

Поезда и возвращается ITransformer. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

SDCA — это общий алгоритм обучения для (обобщенных) линейных моделей, таких как векторная машина поддержки, линейная регрессия, логистическая регрессия и т. д. Семейство тренеров двоичной классификации SDCA включает несколько запечатанных элементов: (1) SdcaNonCalibratedBinaryTrainer поддерживает общие функции потери и возвращает.LinearBinaryModelParameters (2) SdcaLogisticRegressionBinaryTrainer по существу обучает регулярной модели логистической регрессии. Так как логистическая регрессия, естественно, предоставляют выходные данные вероятности, этот тип созданной модели имеет тип CalibratedModelParametersBase<TSubModel,TCalibrator>. где TSubModel и TCalibrator есть LinearBinaryModelParametersPlattCalibrator. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Методы расширения

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

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.

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

Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.