LbfgsLogisticRegressionBinaryTrainer 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> L-BFGS yöntemiyle eğitilen doğrusal lojistik regresyon modelini kullanarak hedefi tahmin etme.
public sealed class LbfgsLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.LbfgsTrainerBase<Microsoft.ML.Trainers.LbfgsLogisticRegressionBinaryTrainer.Options,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 LbfgsLogisticRegressionBinaryTrainer = class
inherit LbfgsTrainerBase<LbfgsLogisticRegressionBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>
Public NotInheritable Class LbfgsLogisticRegressionBinaryTrainer
Inherits LbfgsTrainerBase(Of LbfgsLogisticRegressionBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))
- Devralma
Açıklamalar
Bu eğitmeni oluşturmak için LbfgsLogisticRegression veya LbfgsLogisticRegression(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 true eşler. |
|
Probability |
Single | Etiket olarak true değerinin puanını ayarlayarak hesaplanan olasılık. Olasılık değeri [0, 1] aralığındadır. |
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 |
Puanlama İşlevi
Doğrusal lojistik regresyon, doğrusal modelin bir çeşididir. {\mathbb R}^n$ içindeki $\textbf{x} \in özellik vektörlerini $\hat{y}\left( \textbf{x} \right) = \textbf{w}^T \textbf{x} + b = \sum_{j=1}^n w_j x_j + b$, burada $x_j$ $j$-th özelliğin değeridir; $\textbf{w}$ öğesinin $j$-th öğesi $j$-th özelliğinin katsayısıdır, ve $b$ öğrenilebilir bir önyargıdır. İlgili gerçek etiket alma olasılığı $\frac{1}{1 + e^{\hat{y}\left( \textbf{x} \right)}}$ şeklindedir.
Eğitim Algoritması Ayrıntıları
Uygulanan iyileştirme tekniği sınırlı bellek Broyden-Fletcher-Goldfarb-Shanno yöntemini (L-BFGS) temel alır. L-BFGS, Hessian matrisinin pahalı hesaplama maliyetini yaklaşık değerle değiştiren ancak yine de tam Hessian matrisinin hesaplandığı Newton yöntemi gibi hızlı bir yakınsama oranına sahip olan bir quasi-Newton yöntemidir. L-BFGS yaklaşık olarak bir sonraki adım yönünü hesaplamak için yalnızca sınırlı miktarda geçmiş durum kullandığından, özellikle yüksek boyutlu özellik vektörü ile ilgili sorunlar için uygundur. Geçmiş durumların sayısı kullanıcı tarafından belirtilen bir parametredir ve daha büyük bir sayı kullanmak Hessian matrisine daha iyi bir yaklaşık değere yol açabilir, ancak adım başına daha yüksek bir hesaplama maliyetine yol açabilir.
Normalleştirme, verileri desteklemek için bilgi sağlayan ve genellikle bazı norm işlevleriyle ölçülen modelin büyüklüğünü cezaya dönüştürerek fazla uygunluğu önleyen kısıtlamalar getirerek, kötü görünen bir sorunu daha çekici hale getirebilen bir yöntemdir. Bu, sapma-varyans dengesinde en uygun karmaşıklığı seçerek öğrenilen modelin genelleştirilmesini geliştirebilir. Düzenlileştirme, katsayı değerleriyle ilişkili cezayı hipotez hatasına ekleyerek çalışır. Aşırı katsayı değerlerine sahip doğru bir model daha fazla cezalı hale getirilir, ancak daha muhafazakar değerlere sahip daha az doğru bir model daha az cezaya neden olur.
Bu öğrenci esnek net düzenlileştirmeyi destekler: L1 normunun (LASSO) doğrusal bir bileşimi, $|| \textbf{w} || _1$ ve L2-norm (sırt), $|| \textbf{w} || _2^2$ normalleştirmeleri. L1-norm ve L2-norm düzenlileştirmelerinin farklı etkileri ve belirli açılardan tamamlayıcı olan kullanımları vardır. L1-norm kullanılması eğitilen $\textbf{w}$ değerinin sparsity değerini artırabilir. Yüksek boyutlu verilerle çalışırken, ilgisiz özelliklerin küçük ağırlıklarını 0'a küçültür ve bu nedenle tahminler yaparken bu kötü özelliklere kaynak harcanmayacaktır. L1-norm düzenlileştirmesi kullanılıyorsa, eğitim algoritması OWL-QN'dir. L2 normlu düzenlileştirme seyrek olmayan veriler için tercih edilir ve büyük ağırlıkların varlığını büyük ölçüde cezalendirir.
Agresif bir düzenlileştirme (yani L1 norm veya L2 normlu normalleştirme terimlerine büyük katsayılar atamak), önemli değişkenleri modelin dışında tutarak tahmine dayalı kapasiteye zarar verebilir. Bu nedenle lojistik regresyon uygulanırken doğru normalleştirme katsayılarının seçilmesi önemlidir.
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. olabilir |
Özellikler
Info |
IEstimator<TTransformer> L-BFGS yöntemiyle eğitilen doğrusal lojistik regresyon modelini kullanarak hedefi tahmin etme. (Devralındığı yer: LbfgsTrainerBase<TOptions,TTransformer,TModel>) |
Yöntemler
Fit(IDataView) |
Bir ITransformereğiter ve döndürür. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Fit(IDataView, LinearModelParameters) |
Önceden eğitilmiş |
GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> L-BFGS yöntemiyle eğitilen doğrusal lojistik regresyon modelini kullanarak hedefi tahmin etme. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Uzantı Metotları
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tahmin aracı zincirine bir 'önbelleğe alma denetim noktası' ekler. Bu, aşağı akış tahmincilerinin önbelleğe alınan verilere karşı eğitilmesini sağlar. Birden çok veri geçişi alan eğitmenlerden önce bir önbelleğe alma denetim noktası olması yararlıdır. |
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Tahmin aracı verildiğinde, çağrıldıktan sonra Fit(IDataView) temsilci 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 nesneye sahip işlem hatları halinde oluşturulur, bu nedenle transformatör 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.
- LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
- LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
- LbfgsLogisticRegressionBinaryTrainer.Options
Geri Bildirim
https://aka.ms/ContentUserFeedback.
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.Gönderin ve geri bildirimi görüntüleyin