GamBinaryTrainer 類別
定義
重要
部分資訊涉及發行前產品，在發行之前可能會有大幅修改。 Microsoft 對此處提供的資訊，不做任何明確或隱含的瑕疵擔保。
用於 IEstimator<TTransformer> 訓練一個具有廣義加法模型（GAM）的二元分類模型。
public sealed class GamBinaryTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type GamBinaryTrainer = class
inherit GamTrainerBase<GamBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class GamBinaryTrainer
Inherits GamTrainerBase(Of GamBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator))- 繼承
備註
要建立這個訓練器，請使用 Gam 或 Gam（Options）。
輸入與輸出欄位
輸入標籤欄位資料必須是 Boolean。 輸入特徵欄位資料必須是已知大小的向量。Single
此訓練器會輸出下列欄位：
| 輸出數據行名稱 | 欄類型 | Description | |
|---|---|---|---|
Score |
Single | 模型計算出的無界分數。 | |
PredictedLabel |
Boolean | 根據分數的符號來預測的標籤。 負數分數會對應至 false，正分數會對應至 true。 |
|
Probability |
Single | 這個機率是透過校準以 為真為標籤所計算出來的。 機率值在範圍 [0， 1]。 |
訓練師特性
| 機器學習任務 | 二元分類 |
| 需要正規化嗎？ | No |
| 快取是必須的嗎？ | No |
| 除了 Microsoft.ML 之外，必須使用 NuGet | Microsoft.ML.FastTree |
| 可匯出至 ONNX | No |
訓練演算法細節
廣義加法模型（GAM）將資料建模為一組線性無關特徵，類似線性模型。 對於每個特徵，GAM 訓練器會學習一個非線性函數，稱為「形狀函數」，該函數以特徵值的函數計算響應。 （相較之下，線性模型對每個特徵擬合線性響應（例如一條線）。） 要對輸入評分，所有形狀函數的輸出會相加，分數即為總值。
此 GAM 訓練器利用淺梯度增強樹（如樹樁）實作，學習非參數形狀函數，基於 Lou、Caruana 與 Gehrke 所述方法。 「可理解的分類與迴歸模型。」 KDD'12，中國北京。 2012. 訓練結束後，會加入截距以表示訓練集的平均預測值，並將形狀函數正規化為偏離平均預測的範圍。 這導致模型能透過檢查截距與形狀函數輕鬆解讀。 請參考下方範例，了解如何訓練 GAM 模型，並檢視並解讀結果。
請參考「參見」部分，裡面有相關用法的連結。
欄位
| 名稱 | Description |
|---|---|
| FeatureColumn |
訓練師期待的特色欄。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
訓練師期望的標籤欄。 可以是 |
| WeightColumn |
訓練師預期的體重欄。 可以是 |
屬性
| 名稱 | Description |
|---|---|
| Info |
用於 IEstimator<TTransformer> 訓練一個具有廣義加法模型（GAM）的二元分類模型。 (繼承來源 GamTrainerBase<TOptions,TTransformer,TPredictor>) |
方法
| 名稱 | Description |
|---|---|
| Fit(IDataView, IDataView) |
使用訓練與驗證資料訓練 a GamBinaryTrainer ，回傳 BinaryPredictionTransformer<TModel>。 |
| Fit(IDataView) |
訓練並返回 ITransformer。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
用於 IEstimator<TTransformer> 訓練一個具有廣義加法模型（GAM）的二元分類模型。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>) |
擴充方法
| 名稱 | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
在估計鏈中附加一個「快取檢查點」。 這將確保下游估計器能針對快取資料進行訓練。 在訓練師接受多次資料通行前設置快取檢查點會很有幫助。 |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
給定一個估計器，回傳一個包裹物件，該物件會呼叫一次 Fit(IDataView) 代理。 估計器通常回傳擬合的資訊很重要，因此該 Fit(IDataView) 方法回傳一個特定型別的物件，而非一般 ITransformer的 。 然而，同時， IEstimator<TTransformer> 通常會被組成包含許多物件的管線，因此我們可能需要建立一條估計鏈，將 EstimatorChain<TLastTransformer> 我們想要取得變壓器的估計器埋藏在這條鏈的某處。 在這種情況下，我們可以透過此方法附加一個代理，當 fit 被呼叫時會被呼叫。 |