SgdNonCalibratedTrainer 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.
Paralel IEstimator<TTransformer> stokastik gradyan yöntemi kullanarak lojistik regresyon eğitimi için.
public sealed class SgdNonCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Trainers.LinearBinaryModelParameters>
type SgdNonCalibratedTrainer = class
inherit SgdBinaryTrainerBase<LinearBinaryModelParameters>
Public NotInheritable Class SgdNonCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of LinearBinaryModelParameters)
- Devralma
-
LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>SgdNonCalibratedTrainer
Açıklamalar
Bu eğitmeni oluşturmak için SgdNonCalibrated veya SgdNonCalibrated(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 | Yes |
Eğitim Algoritması Ayrıntıları
Stokastik Gradyan Azalma (SGD), en gelişmiş performansı elde etmek için çeşitli makine öğrenmesi görevleriyle tümleştirilebilen popüler stokastik iyileştirme yordamlarından biridir. Bu eğitmen, herhangi bir kilitleme olmadan çoklu iş parçacığını destekleyen ikili sınıflandırma için Hogwild Stochastic Gradyan Azalmasını uygular. İlgili iyileştirme sorunu seyrekse Hogwild Stochastic Gradyan Azalma neredeyse en uygun yakınsama oranına ulaşır. Hogwild Stochastic Gradyan Azalma hakkında daha fazla bilgi için burada bulunabilir.
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 |
Paralel IEstimator<TTransformer> stokastik gradyan yöntemi kullanarak lojistik regresyon eğitimi için. (Devralındığı yer: SgdBinaryTrainerBase<TModel>) |
Yöntemler
Fit(IDataView) |
bir ITransformereğitip döndürür. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Fit(IDataView, LinearModelParameters) |
Zaten eğitilmiş |
GetOutputSchema(SchemaShape) |
Paralel IEstimator<TTransformer> stokastik gradyan yöntemi kullanarak lojistik regresyon eğitimi için. (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
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