SymbolicSgdLogisticRegressionBinaryTrainer 类

定义

命名空间:

Microsoft.ML.Trainers

程序集:

Microsoft.ML.Mkl.Components.dll

包:

Microsoft.ML.Mkl.Components v3.0.1

使用 IEstimator<TTransformer> 通过符号随机梯度下降训练的线性二元分类模型预测目标。

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))

继承

Object

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

SymbolicSgdLogisticRegressionBinaryTrainer

注解

若要创建此训练程序，请使用 SymbolicStochasticGradientDescent 或 SymbolicStochasticGradientDescent (选项) 。

输入和输出列

输入标签列数据必须为 Boolean。 输入特征列数据必须是已知大小的向量 Single。

该训练程序输出以下列：

输出列名称	列名称	说明
Score	Single	模型计算的未绑定分数。
PredictedLabel	Boolean	预测的标签，基于分数符号。 负分数映射到 false，正分数映射到 true。
Probability	Single	通过校准具有 true 作为标签的分数来计算的概率。 概率值在 [0， 1] 范围内。

训练器特征

机器学习任务	二元分类
规范化是否需要？	是
是否需要缓存？	否
除 Microsoft.ML 外所需的 NuGet	Microsoft.ML.Mkl.Components
可导出到 ONNX	是

训练算法详细信息

符号随机梯度下降是一种算法，通过找到分离的超平面来做出预测。 例如，如果特征值$f 0、f1,..., f_{D-1}$，则通过确定点落入的超平面的一侧来给出预测。 这与特征加权和的符号相同，即 $\sum_{i = 0}^{D-1} (w_i * f_i) + b$，其中$w_0，w_1,..., w_{D-1}$ 是算法计算的权重，$b$ 是算法计算的偏差。

虽然大多数符号随机梯度下降算法本质上是按顺序排列的 - 在每个步骤中，当前示例的处理取决于从前面的示例中学到的参数。 此算法在单独的线程和概率模型 Cobminer 中训练本地模型，使本地模型能够与顺序符号随机梯度下降产生的结果相同，预期。

有关详细信息，请参阅 并行随机梯度下降与声音组合器。

有关使用示例的链接，请查看“另请参阅”部分。

字段

FeatureColumn	训练程序期望的功能列。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	训练程序期望的标签列。 可以是 null，指示标签不用于训练。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	训练器期望的权重列。 可以 null，这表示权重不用于训练。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)

属性

Info	使用 IEstimator<TTransformer> 通过符号随机梯度下降训练的线性二元分类模型预测目标。

方法

Fit(IDataView, LinearModelParameters)	继续训练 SymbolicSgdLogisticRegressionBinaryTrainer 已训练 modelParameters 的 a Microsoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	火车并返回一个 ITransformer。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	使用 IEstimator<TTransformer> 通过符号随机梯度下降训练的线性二元分类模型预测目标。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)

扩展方法

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	将“缓存检查点”追加到估算器链。 这将确保针对缓存的数据训练下游估算器。 在执行多个数据传递的训练器之前，拥有缓存检查点会很有帮助。
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	给定估算器后，返回将调用委托的 Fit(IDataView) 包装对象。 估算器通常必须返回有关拟合情况的信息，这就是为什么 Fit(IDataView) 该方法返回特定类型化对象的原因，而不仅仅是常规 ITransformer对象。 但是，同时， IEstimator<TTransformer> 通常形成为包含许多对象的管道，因此，我们可能需要通过 EstimatorChain<TLastTransformer> 估算器链生成一系列估算器，以便我们要获取转换器的估算器被埋在此链中的某个位置。 对于这种情况，我们可以通过此方法附加调用一次将调用的委托。

另请参阅

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