AveragedPerceptronTrainer Sınıf
Tanım
Önemli
Bazı bilgiler ürünün ön sürümüyle ilgilidir ve sürüm öncesinde önemli değişiklikler yapılmış olabilir. Burada verilen bilgilerle ilgili olarak Microsoft açık veya zımni hiçbir garanti vermez.
IEstimator<TTransformer> Ortalama algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etmek için.
public sealed class AveragedPerceptronTrainer : Microsoft.ML.Trainers.AveragedLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>type AveragedPerceptronTrainer = class
inherit AveragedLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>Public NotInheritable Class AveragedPerceptronTrainer
Inherits AveragedLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)- Devralma
Açıklamalar
Bu eğitmeni oluşturmak için AveragedPerceptron veya AveragedPerceptron(Seçenekler) kullanın.
Giriş ve Çıkış Sütunları
Giriş etiket sütunu verileri Booleanolmalıdır. Giriş özellikleri sütun verileri bilinen boyutlu bir vektör olmalıdır Single. Bu eğitmen aşağıdaki sütunları üretir:
| Çıkış Sütunu Adı | Sütun Türü | Description |
|---|---|---|
Score |
Single | Model tarafından hesaplanan ilişkisiz puan. |
PredictedLabel |
Boolean | Skorun işaretine dayanarak tahmin edilen etiket. Negatif bir skor false ile eşleşir ve pozitif bir skor trueile eşleşir. |
Eğitmen Özellikleri
| Makine öğrenmesi görevi | İkili sınıflandırma |
| Normalleştirme gerekli mi? | Evet |
| Önbelleğe alma gerekli mi? | Hayır |
| Microsoft.ML'ye ek olarak gerekli NuGet | Hiçbiri |
| ONNX'e aktarılabilir | Evet |
Eğitim Algoritması Ayrıntıları
Algı, ayrılan bir hiper düzlem bularak tahminde bulunan bir sınıflandırma algoritmasıdır. Örneğin, $f_0, f_1,..., f_{D-1}$ özellik değerleriyle, noktanın hiper düzlemin hangi tarafına düştüğü belirlenerek tahmin sağlanır. Bu, ifadenin ağırlıklı toplamının işaretiyle aynıdır; yani $\sum_{i = 0}^{D-1} (w_i * f_i) + b$; burada $w_0, w_1,..., w_{D-1}$ algoritma tarafından hesaplanan ağırlıklar ve $b$ ise algoritma tarafından hesaplanan sapmadır.
Algı, çevrimiçi bir algoritmadır ve bu da eğitim kümesindeki örnekleri birer birer işlediği anlamına gelir. Bir dizi başlangıç ağırlığıyla başlar (sıfır, rastgele veya önceki bir öğrenciden başlatılır). Ardından, eğitim kümesindeki her örnek için özelliklerin ağırlıklı toplamı hesaplanır. Bu değer geçerli örneğin etiketiyle aynı işarete sahipse, ağırlıklar aynı kalır. Karşıt işaretlere sahiplerse, ağırlık vektörleri geçerli örneğin özellik vektörünün eklenmesi veya çıkarılmasıyla (etiket sırasıyla pozitif veya negatifse) güncelleştirilir ve öğrenme oranı olarak adlandırılan 0 <<a = 1 faktörüyle çarpılır. Bu algoritmanın genelleştirilmesinde ağırlıklar, özellik vektörünün öğrenme hızıyla çarpılması ve bir miktar kayıp işlevinin gradyanının eklenmesiyle güncelleştirilir (yukarıda açıklanan özel durumda kayıp, sıfır olmayan bir durumda gradyan 1 olan menteşe kaybıdır).
Averaged Perceptron'da (diğer adıyla voted-perceptron), her yineleme için (örneğin, eğitim verilerinde geçiş), yukarıda açıklandığı gibi bir ağırlık vektörü hesaplanır. Son tahmin, her ağırlık vektörünün ağırlıklı toplamının ortalaması alınıp sonucun işaretine bakılarak hesaplanır.
Daha fazla bilgi için bkz. Perceptron Algoritması Kullanarak Algısal veya Büyük Kenar Boşluğu Sınıflandırması için Wikipedia girişi.
Kullanım örneklerinin bağlantıları için Ayrıca Bkz. bölümüne bakın.
Alanlar
| Name | Description |
|---|---|
| FeatureColumn |
Eğitmenin beklediği özellik sütunu. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Eğitmenin beklediği etiket sütunu. etiketin eğitim için kullanılmadığını gösteren olabilir |
| WeightColumn |
Eğitmenin beklediği ağırlık sütunu. olabilir |
Özellikler
| Name | Description |
|---|---|
| Info |
IEstimator<TTransformer> Ortalama algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etmek için. (Devralındığı yer: OnlineLinearTrainer<TTransformer,TModel>) |
Yöntemler
| Name | Description |
|---|---|
| Fit(IDataView, LinearModelParameters) |
Önceden eğitilmiş |
| Fit(IDataView) |
Bir eğitip döndürür ITransformer. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> Ortalama algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etmek için. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Uzantı Metotları
| Name | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tahmin zincirine bir 'önbelleğe alma denetim noktası' ekler. Bu, aşağı akış tahmincilerinin önbelleğe alınmış verilere karşı eğitilmesini sağlar. Birden fazla veri alan eğitmenler geçişten önce bir önbelleğe alma kontrol noktasının olması yararlıdır. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Tahmin aracı verildiğinde, bir temsilci çağrıldıktan sonra Fit(IDataView) çağıracak bir sarmalama nesnesi döndürün. Tahmin aracının neyin uygun olduğu hakkında bilgi döndürmesi genellikle önemlidir. Bu nedenle Fit(IDataView) yöntem yalnızca genel ITransformerbir nesne yerine özel olarak yazılan bir nesne döndürür. Bununla birlikte, aynı zamanda, IEstimator<TTransformer> genellikle birçok nesne içeren işlem hatları halinde oluşturulur, bu nedenle transformatörü almak istediğimiz tahmin aracının EstimatorChain<TLastTransformer> bu zincirde bir yere gömüldüğü bir tahmin zinciri oluşturmamız gerekebilir. Bu senaryo için, bu yöntem aracılığıyla uygun çağrıldıktan sonra çağrılacak bir temsilci ekleyebiliriz. |