LinearSvmTrainer Sınıf

Tanım

Ad Alanı:

Microsoft.ML.Trainers

Bütünleştirilmiş Kod:

Microsoft.ML.StandardTrainers.dll

Paket:

Microsoft.ML v3.0.1

IEstimator<TTransformer> Doğrusal SVM ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.

public sealed class LinearSvmTrainer : Microsoft.ML.Trainers.OnlineLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>

type LinearSvmTrainer = class
    inherit OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>

Public NotInheritable Class LinearSvmTrainer
Inherits OnlineLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)

Devralma

Object

TrainerEstimatorBase<TTransformer,TModel>

OnlineLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>,LinearBinaryModelParameters>

LinearSvmTrainer

Açıklamalar

Bu eğitmeni oluşturmak için LinearSvm veya LinearSvm(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

Doğrusal SVM , bir SVM sorununu çözerek ikili sınıflandırma için özellik alanında bir hiper düzlem bulan bir algoritma uygular. Örneğin, $f_0, f_1,..., f_{D-1}$ özellik değerleriyle, noktanın hiper düzlemin hangi tarafında yer aldığı belirlenerek tahmin sağlanır. Bu, feautures'un ağırlıklı toplamının işaretiyle aynıdır; yani $\sum_{i = 0}^{D-1} \left(w_i * f_i \right) + b$; burada $w_0, w_1,..., w_{D-1}$ algoritma tarafından hesaplanan ağırlıklardır ve $b$ algoritma tarafından hesaplanan sapmadır.

Doğrusal SVM, bu makalede Shalev-Shwartz, Singer ve Srebro tarafından sunulan stokastik gradyan azalma adımları ile projeksiyon adımları arasında geçiş yapan PEGASOS yöntemini uygular.

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. nullolabilir, bu da ağırlığın eğitim için kullanılmadığını gösterir. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>)

Özellikler

Info	IEstimator<TTransformer> Doğrusal SVM 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 modelParameters bir kullanarak bir OnlineLinearTrainer<TTransformer,TModel> öğesinin eğitimine devam eder ve bir ITransformerdöndürür. (Devralındığı yer: OnlineLinearTrainer<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> Doğrusal SVM 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.

Ayrıca bkz.

• LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)
• LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)