LdSvmTrainer Sınıf

Başvuru

Tanım

Ad Alanı:: Microsoft.ML.Trainers

Bütünleştirilmiş Kod:: Microsoft.ML.StandardTrainers.dll

Paket:: Microsoft.ML v3.0.1

Paket:: Microsoft.ML v1.5.5

Paket:: Microsoft.ML v1.6.0

Paket:: Microsoft.ML v1.7.0

Paket:: Microsoft.ML v2.0.0

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> Yerel Derin SVM ile eğitilmiş doğrusal olmayan bir ikili sınıflandırma modeli kullanarak hedefi tahmin etme.

public sealed class LdSvmTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LdSvmModelParameters>,Microsoft.ML.Trainers.LdSvmModelParameters>

type LdSvmTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>, LdSvmModelParameters>

Public NotInheritable Class LdSvmTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of LdSvmModelParameters), LdSvmModelParameters)

Devralma: Object

TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>,LdSvmModelParameters>
LdSvmTrainer

Açıklamalar

Bu eğitmeni oluşturmak için LdSvm veya LdSvm(Seçenekler) 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.

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	No

Eğitim Algoritması Ayrıntıları

Yerel Derin SVM (LD-SVM), doğrusal olmayan SVM için Yerelleştirilmiş Çoklu Çekirdek Öğrenmesi'nin genelleştirilmesidir. Birden çok çekirdek yöntemi, özellik alanında her nokta için farklı bir çekirdek ve dolayısıyla farklı bir sınıflandırıcı öğrenir. Birden çok çekirdek yönteminin tahmin süresi maliyeti, destek vektörlerinin sayısıyla orantılı olduğundan büyük eğitim kümeleri için çok pahalı olabilir ve bunlar eğitim kümesinin boyutuyla doğrusal olarak büyür. LD-SVM, doğrusal olmayanları verimli bir şekilde kodlayan, yüksek boyutlu ve seyrek bir ağaç tabanlı yerel özellik eklemeyi öğrenerek tahmin maliyetini azaltır. LD-SVM kullanıldığında tahmin maliyeti, sınıflandırma doğruluğunda tolere edilebilir bir kayıpla doğrusal olarak değil eğitim kümesinin boyutuyla logaritmik olarak artar.

Local Deep SVM, C. Jose, P. Goyal, P. Aggrwal ve M. Varma, Efficient Non-linear SVM Prediction, ICML, 2013'te açıklanan algoritmanın bir uygulamasıdır.

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 `null`. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Eğitmenin beklediği ağırlık sütunu. olabilir `null`, bu da ağırlığın eğitim için kullanılmadığını gösterir. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>)

Özellikler

Info	IEstimator<TTransformer> Yerel Derin SVM ile eğitilmiş doğrusal olmayan bir ikili sınıflandırma modeli kullanarak hedefi tahmin etme.

Yöntemler

Fit(IDataView)	Bir ITransformereğiter ve döndürür. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> Yerel Derin SVM ile eğitilmiş doğrusal olmayan bir ikili sınıflandırma modeli 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

Aracılığıyla paylaş