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.
Ortalama IEstimator<TTransformer> algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.
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(Options) kullanın.
Giriş ve Çıkış Sütunları
Giriş etiketi sütun verileri olmalıdır Boolean. Giriş özellikleri sütun verileri bilinen boyutlu bir vektör Singleolmalıdır. Bu eğitmen aşağıdaki sütunları oluşturur:
| Çıkış Sütunu Adı | Sütun Türü | Description |
|---|---|---|
Score |
Single | Model tarafından hesaplanan ilişkisiz puan. |
PredictedLabel |
Boolean | Puanın işaretine göre tahmin edilen etiket. Negatif puan ile false , pozitif puan ise ile trueeşler. |
Eğitmen Özellikleri
| Makine öğrenmesi görevi | İkili sınıflandırma |
| Normalleştirme gerekli mi? | Yes |
| Önbelleğe alma gerekli mi? | No |
| Microsoft.ML ek olarak gerekli NuGet | Hiçbiri |
| ONNX'e aktarılabilir | Yes |
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 tarafında yer aldığı belirlenerek tahmin sağlanır. Bu, ifadelerin ağırlıklı toplamının işaretiyle aynıdır; örneğin $\sum_{i = 0}^{D-1} (w_i * f_i) + b$; burada $w_0, w_1,..., w_{D-1}$ algoritma tarafından hesaplanan ağırlıklardır ve $b$ algoritma tarafından hesaplanan sapmadır.
Algı, çevrimiçi bir algoritmadır ve bu da eğitim kümesindeki örnekleri birer birer işlediği anlamına gelir. İlk ağırlık kümesiyle 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 sahipse ağırlık vektöru, geçerli örneğin özellik vektörünü (etiket sırasıyla pozitif veya negatifse) ekleyerek veya çıkararak güncelleştirilir ve öğrenme hızı olarak adlandırılan 0 <<a = 1 faktörüyle çarpılır. Bu algoritmanın genelleştirilmesinde ağırlıklar, öğrenme hızıyla çarpılan özellik vektörünün ve bazı kayıp işlevlerinin gradyanının eklenmesiyle güncelleştirilir (yukarıda açıklanan özel durumda kayıp, sıfır olmayan bir durumda gradyan 1 olan menteşe kaybıdır).
Ortalama Perceptron 'da (diğer adıyla voted-perceptron), her yineleme için (örneğin eğitim verilerinde geçiş), yukarıda açıklandığı gibi bir ağırlık vektörü hesaplanır. Son tahmin daha sonra her ağırlık vektörünün ağırlıklı toplamı doğrulanarak ve sonucun işaretine bakılarak hesaplanır.
Daha fazla bilgi için bkz . PerceptronAlgoritması Kullanarak Algı veya Büyük Kenar Boşluğu Sınıflandırması için Wikipedia girişi.
Kullanım örneklerinin bağlantıları için Ayrıca Bkz. bölümüne bakın.
Alanlar
| 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. |
Özellikler
| Info |
Ortalama IEstimator<TTransformer> algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme. (Devralındığı yer: OnlineLinearTrainer<TTransformer,TModel>) |
Yöntemler
| Fit(IDataView) |
bir ITransformereğitip döndürür. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
| Fit(IDataView, LinearModelParameters) |
Zaten eğitilmiş |
| GetOutputSchema(SchemaShape) |
Ortalama IEstimator<TTransformer> algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Uzantı Metotları
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tahmin zincirine 'önbelleğe alma denetim noktası' ekleme. Bu, aşağı akış tahmincilerinin önbelleğe alınan verilere karşı eğitilmesini sağlar. Birden çok veri geçiren eğitmenlerden önce bir önbelleğe alma kontrol noktası 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 gömülü olduğu bir tahmin aracı zinciri oluşturmamız gerekebilir. Bu senaryo için, bu yöntem aracılığıyla sığdır çağrıldıktan sonra çağrılacak bir temsilci ekleyebiliriz. |
Şunlara uygulanır
Ayrıca bkz.
Geri Bildirim
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz. https://aka.ms/ContentUserFeedback.
Gönderin ve geri bildirimi görüntüleyin