LinearSvmTrainer 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> 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
Açıklamalar
Bu eğitmeni oluşturmak için LinearSvm veya LinearSvm(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
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 tarafına düştüğü belirlenerek tahmin sağlanır. Bu, feautures'ın 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 ağırlıklar 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
| 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> Doğrusal SVM ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme. (Devralındığı yer: OnlineLinearTrainer<TTransformer,TModel>) |
Yöntemler
| Name | Description |
|---|---|
| Fit(IDataView, LinearModelParameters) |
Önceden eğitilmiş OnlineLinearTrainer<TTransformer,TModel> bir kullanarak bir |
| Fit(IDataView) |
Bir eğitip döndürür ITransformer. (Devralındığı yer: TrainerEstimatorBase<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
| 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. |