SymbolicSgdLogisticRegressionBinaryTrainer Класс

Определение

Пространство имен:

Microsoft.ML.Trainers

Сборка:

Microsoft.ML.Mkl.Components.dll

Пакет:

Microsoft.ML.Mkl.Components v5.0.0-preview.1.25125.4

Исходный код:

SymSgdClassificationTrainer.cs

Прогнозирование IEstimator<TTransformer> цели с помощью линейной модели двоичной классификации, обученной с помощью символьного стохастического градиента.

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Наследование

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

Комментарии

Чтобы создать этот обучающее средство, используйте Символьные градиентные градиентные или символьные градиентные градиентные(параметры).

Входные и выходные столбцы

Данные столбца входной метки должны быть Boolean. Входные данные столбцов функций должны быть известными векторами Singleразмера.

Этот тренер выводит следующие столбцы:

Имя выходного столбца	Тип столбца	Description
Score	Single	Несвязанная оценка, вычисляемая моделью.
PredictedLabel	Boolean	Прогнозируемая метка, определяемая по знаку оценки. Отрицательный показатель сопоставляется с false, а положительный показатель сопоставляется с true.
Probability	Single	Вероятность, вычисляемая путем калибровки оценки значения true в качестве метки. Значение вероятности находится в диапазоне [0, 1].

Характеристики тренера

Задача машинного обучения	Двоичная классификация
Требуется ли нормализация?	Yes
Требуется ли кэширование?	No
Обязательный NuGet в дополнение к Microsoft.ML	Microsoft.ML.Mkl.Components
Экспортируемый в ONNX	Yes

Сведения об алгоритме обучения

Символический градиентный градиентный спуск — это алгоритм, который делает его прогнозы путем поиска разделяющего гиперплана. Например, с значениями признаков $f 0, f1,..., f_{D-1}$, прогнозирование дано путем определения того, на какой стороне гиперплана точка попадает. То же самое, что и знак взвешированной суммы функции, т. е. $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, где $w_0, w_1,..., w_{D-1}$ являются весами, вычисляемыми алгоритмом, и $b$ — это предвзятость, вычисляемая алгоритмом.

Хотя большинство алгоритмов градиентного градиента символьного градиента по сути последовательны , на каждом шаге обработка текущего примера зависит от параметров, извлеченных из предыдущих примеров. Этот алгоритм обучает локальные модели в отдельных потоках и вероятностной модели cobminer, что позволяет локальным моделям объединяться в те же результаты, что и последовательный градиентный градиентный спуск, в ожидании.

Дополнительные сведения см. в статье Parallel Stochastic Gradient Descent with Sound Combiners.

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Поля

Имя	Описание
FeatureColumn	Столбец признаков, который ожидает тренер. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Столбец метки, который ожидает тренер. Может быть null, что указывает, что метка не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Столбец веса, который ожидает тренер. Может быть null, что означает, что вес не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Свойства

Имя	Описание
Info	Прогнозирование IEstimator<TTransformer> цели с помощью линейной модели двоичной классификации, обученной с помощью символьного стохастического градиента.

Методы

Имя	Описание
Fit(IDataView, LinearModelParameters)	Продолжает обучение SymbolicSgdLogisticRegressionBinaryTrainer использования уже обученного modelParametersMicrosoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	Поезда и возвращается ITransformer. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Прогнозирование IEstimator<TTransformer> цели с помощью линейной модели двоичной классификации, обученной с помощью символьного стохастического градиента. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Методы расширения

Имя	Описание
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	Добавьте "контрольную точку кэширования" в цепочку оценщика. Это гарантирует, что нижестоящий оценщик будет обучен по кэшированным данным. Рекомендуется использовать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	При оценке возвращает объект оболочки, который вызовет делегат после Fit(IDataView) вызова. Часто важно для оценки возвращать сведения о том, что было подходяще, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры с множеством объектов, поэтому нам может потребоваться построить цепочку оценщиков с помощью EstimatorChain<TLastTransformer> того, где оценка, для которой мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова.

См. также раздел

• SymbolicSgdLogisticRegressionBinaryTrainer.Options
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)