SymbolicSgdLogisticRegressionBinaryTrainer Sınıf

Tanım

Ad Alanı:

Microsoft.ML.Trainers

Bütünleştirilmiş Kod:

Microsoft.ML.Mkl.Components.dll

Paket:

Microsoft.ML.Mkl.Components v5.0.0-preview.1.25125.4

Kaynak:

SymSgdClassificationTrainer.cs

IEstimator<TTransformer> Sembolik stokastik gradyan azalma ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<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 SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Devralma

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

Açıklamalar

Bu eğitmeni oluşturmak için SymbolicStochasticGradientDescent veya SymbolicStochasticGradientDescent(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.
Probability	Single	Etiket olarak true değerinin ayarlanmasıyla hesaplanan olasılık. Olasılık değeri [0, 1] aralığındadır.

Eğitmen Özellikleri

Makine öğrenmesi görevi	İkili sınıflandırma
Normalleştirme gerekli mi?	Evet
Önbelleğe alma gerekli mi?	Hayır
Microsoft.ML'ye ek olarak gerekli NuGet	Microsoft.ML.Mkl.Components
ONNX'e aktarılabilir	Evet

Eğitim Algoritması Ayrıntıları

Sembolik stokastik gradyan azalma, ayrılan bir hiper düzlem bularak tahminde bulunan bir algoritmadır. Örneğin, $f 0, f1,..., f_{D-1}$ özellik değerleriyle, noktanın hiper düzlemin hangi tarafında yer aldığı belirlenerek tahmin verilir. Bu, özelliğin ağırlıklı toplamının işaretiyle aynıdır; yani $\sum_{i = 0}^{D-1} (w_i * f_i) + b$; burada $w_0, w_1,..., w_{D-1}$ algoritma tarafından hesaplanan ağırlıklar ve $b$ ise algoritma tarafından hesaplanan sapmadır.

Sembolik stokastik gradyan azalma algoritmalarının çoğu doğal olarak sıralı olsa da, her adımda geçerli örneğin işlenmesi önceki örneklerden öğrenilen parametrelere bağlıdır. Bu algoritma, yerel modelleri ayrı iş parçacıklarında ve olasılığa dayalı model cobminer'da eğiterek yerel modellerin bir araya getirilerek sıralı sembolik stokastik gradyan azalmanın beklentiye göre üreteceği sonucun aynı olmasını sağlar.

Daha fazla bilgi için bkz. Ses Birleştiricileri ile Paralel Stokastik Gradyan Azalma.

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 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

Name	Description
Info	IEstimator<TTransformer> Sembolik stokastik gradyan azalma ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.

Yöntemler

Name	Description
Fit(IDataView, LinearModelParameters)	Zaten eğitilmiş modelParametersMicrosoft.ML.Data.BinaryPredictionTransformerbir kullanma eğitimine SymbolicSgdLogisticRegressionBinaryTrainer devam eder.
Fit(IDataView)	Bir eğitip döndürür ITransformer. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> Sembolik stokastik gradyan azalma 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.

Ayrıca bkz.

• SymbolicSgdLogisticRegressionBinaryTrainer.Options
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)