OlsTrainer 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> 訓練線性迴歸模型，使用 普通最小平方法（OLS） 來估計線性迴歸模型的參數。
public sealed class OlsTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.OlsModelParameters>,Microsoft.ML.Trainers.OlsModelParameters>type OlsTrainer = class
inherit TrainerEstimatorBase<RegressionPredictionTransformer<OlsModelParameters>, OlsModelParameters>Public NotInheritable Class OlsTrainer
Inherits TrainerEstimatorBase(Of RegressionPredictionTransformer(Of OlsModelParameters), OlsModelParameters)- 繼承
備註
要建立這個訓練器，請使用 Ols 或 Ols（Options）。
輸入與輸出欄位
輸入標籤欄位資料必須是 Single。 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 | 模型預測的無界分數。 |
訓練師特性
| 機器學習任務 | Regression |
| 需要正規化嗎？ | Yes |
| 快取是必須的嗎？ | No |
| 除了 Microsoft.ML 之外，必須使用 NuGet | Microsoft.ML.Mkl.Components |
| 可匯出至 ONNX | Yes |
訓練演算法細節
普通最小平方法（OLS） 是一種參數化迴歸方法。 它假設依變數的條件平均值遵循依變數的線性函數。 迴歸參數可透過最小化觀測值與預測值差異的平方來估算
請參考「參見」區塊，裡面有使用範例的連結。
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> 訓練線性迴歸模型，使用 普通最小平方法（OLS） 來估計線性迴歸模型的參數。 |
方法
| 名稱 | Description |
|---|---|
| Fit(IDataView) |
訓練並返回 ITransformer。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
用於 IEstimator<TTransformer> 訓練線性迴歸模型，使用 普通最小平方法（OLS） 來估計線性迴歸模型的參數。 (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。 |