LbfgsLogisticRegressionBinaryTrainer 類別

參考

定義

命名空間:: Microsoft.ML.Trainers

組件:: Microsoft.ML.StandardTrainers.dll

套件:: Microsoft.ML v3.0.1

套件:: Microsoft.ML v1.0.0

套件:: Microsoft.ML v1.1.0

套件:: Microsoft.ML v1.2.0

套件:: Microsoft.ML v1.3.1

套件:: Microsoft.ML v1.4.0

套件:: Microsoft.ML v1.5.5

套件:: Microsoft.ML v1.6.0

套件:: Microsoft.ML v1.7.0

套件:: Microsoft.ML v2.0.0

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。

， IEstimator<TTransformer> 使用使用 L-BFGS 方法定型的線性羅吉斯回歸模型來預測目標。

public sealed class LbfgsLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.LbfgsTrainerBase<Microsoft.ML.Trainers.LbfgsLogisticRegressionBinaryTrainer.Options,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 LbfgsLogisticRegressionBinaryTrainer = class
    inherit LbfgsTrainerBase<LbfgsLogisticRegressionBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class LbfgsLogisticRegressionBinaryTrainer
Inherits LbfgsTrainerBase(Of LbfgsLogisticRegressionBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

繼承: Object

TrainerEstimatorBase<TTransformer,TModel>

LbfgsTrainerBase<LbfgsLogisticRegressionBinaryTrainer.Options,BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>
LbfgsLogisticRegressionBinaryTrainer

備註

若要建立此定型器，請使用 LbfgsLogisticRegression 或 LbfgsLogisticRegression (Options) 。

輸入和輸出資料行

輸入標籤資料行資料必須是 Boolean。輸入特徵資料行資料必須是的已知大小向量 Single 。

此定型器會輸出下列資料行：

輸出資料行名稱	資料行類型	描述
`Score`	Single	模型計算的未系結分數。
`PredictedLabel`	Boolean	預測標籤 (根據分數的正負號)。負值分數會對應到 `false`，正值分數則會對應到 `true`。
`Probability`	Single	藉由校正具有 true 作為標籤的分數來計算的機率。機率值的範圍 [0， 1]。

定型器特性


機器學習工作	二元分類
是否需要正規化？	是
是否需要快取？	否
除了 Microsoft.ML 之外，還需要 NuGet	無
可匯出至 ONNX	是

評分函式

線性羅吉斯回歸是線性模型的變體。它會透過 $\hat{y}\left ( \textbf{x} \right) = \textbf{w}^T \textbf{x} + b = \sum_{j=1}^n w_j x_j + b$，將特徵向量 $\textbf{x} \in {\mathbb R}^n$ 對應至純量其中 $x_j$ 是$j$-th 特徵的值，$\textbf{w}$ 的 $j$-th 元素是$j$-th 功能的係數，和 $b$ 是可學習的偏差。取得真實標籤的對應機率是 $\frac {1} {1 + e^{\hat{y}\left ( \textbf{x} \right) }}$。

定型演算法詳細資料

實作的優化技術是以有限的記憶體 Broyden-Fletcher-Goldfarb-Shanno 方法為基礎， (L-BFGS) 。 L-BFGS 是一種准 Newtonian 方法，它會以近似值取代 Hessian 矩陣的昂貴計算成本，但仍享有快速聚合率，例如計算完整 Hessian 矩陣的 Newton 方法。由於 L-BFGS 近似值只會使用有限數量的歷程記錄狀態來計算下一個步驟方向，因此特別適用于高維度特徵向量的問題。歷程記錄狀態的數目是使用者指定的參數，使用較大的數位可能會導致比較接近 Hessian 矩陣，但每個步驟的計算成本也較高。

正規化是一種方法，可藉由強制條件約束來提供資訊來補充資料，並藉由一些標準函式通常測量模型的大小來防止過度學習，而使問題變得較不合理。這可藉由選取偏差差異取捨中的最佳複雜度，來改善所學習模型的一般化。正規化的運作方式是將假設錯誤加上係數值相關聯的懲罰。具有極端係數值的精確模型會受到較多懲罰，而具有較保守值的不精確模型受到較少懲罰。

此學習模組支援彈性 net 正規化：L1-norm (LASSO) 、$||\textbf{w} ||_1$ 和 L2-norm () ，$||\textbf{w} ||_2^2$ 正規化。 L1-norm 和 L2-norm 正規化有不同的效果，而且在某些方面是互補的用法。使用 L1-norm 可以增加定型 $\textbf{w}$ 的疏疏性。使用高維度資料時，它會將無關功能的小型權數縮減為 0，因此在進行預測時，不會花費任何資源來處理這些不良特徵。如果使用 L1 標準正規化，則定型演算法為 OWL-QN。 L2 標準正規化對於不是疏鬆的資料而言是較佳的，而且它基本上會使大型權數存在。

積極正規化 (，也就是將大型係數指派給 L1-norm 或 L2-norm 正規化詞彙，) 可藉由排除模型中的重要變數來損害預測容量。因此，套用羅吉斯回歸時，選擇正確的正規化係數很重要。

如需使用範例的連結，請參閱另請參閱一節。

欄位

FeatureColumn	定型器預期的功能資料行。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	定型器預期的標籤資料行。可以是 `null` ，表示標籤不會用於定型。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	定型器預期的加權資料行。可以是 `null` ，表示加權不會用於定型。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

屬性

Info	， IEstimator<TTransformer> 使用使用 L-BFGS 方法定型的線性羅吉斯回歸模型來預測目標。 (繼承來源 LbfgsTrainerBase<TOptions,TTransformer,TModel>)

方法

Fit(IDataView, LinearModelParameters)	繼續使用已定 `modelParameters` 型的 LbfgsLogisticRegressionBinaryTrainer 來訓練，並傳 BinaryPredictionTransformer<TModel> 回。
Fit(IDataView)	定型並傳 ITransformer 回。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	， IEstimator<TTransformer> 使用使用 L-BFGS 方法定型的線性羅吉斯回歸模型來預測目標。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

擴充方法

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

將「快取檢查點」附加至估算器鏈結。這可確保下游估算器會針對快取的資料定型。在接受多個資料通過的定型器之前，先有快取檢查點會很有説明。

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

指定估算器時，傳回包裝物件，一旦 Fit(IDataView) 呼叫委派即可。估算器通常務必傳回符合專案的相關資訊，這就是 Fit(IDataView) 方法傳回特定型別物件的原因，而不是只傳回一般 ITransformer 。不過，同時， IEstimator<TTransformer> 通常會形成具有許多物件的管線，因此我們可能需要透過建置估算器的鏈結，而我們想要取得轉換器的估算器 EstimatorChain<TLastTransformer> 會在此鏈結的某處放置。在該案例中，我們可以透過這個方法附加呼叫一次會呼叫的委派。

適用於

共用方式為