OneVersusAllTrainer 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> 訓練一個一對全多類別分類器，使用指定的二元分類器。
public sealed class OneVersusAllTrainer : Microsoft.ML.Trainers.MetaMulticlassTrainer<Microsoft.ML.Data.MulticlassPredictionTransformer<Microsoft.ML.Trainers.OneVersusAllModelParameters>,Microsoft.ML.Trainers.OneVersusAllModelParameters>type OneVersusAllTrainer = class
inherit MetaMulticlassTrainer<MulticlassPredictionTransformer<OneVersusAllModelParameters>, OneVersusAllModelParameters>Public NotInheritable Class OneVersusAllTrainer
Inherits MetaMulticlassTrainer(Of MulticlassPredictionTransformer(Of OneVersusAllModelParameters), OneVersusAllModelParameters)- 繼承
備註
要製作這個訓練器，請使用 OneVersusAll。
輸入與輸出欄位
輸入標籤欄位資料必須是 鍵 型別，特徵欄位必須是已知大小的 Single向量。
此訓練器會輸出下列欄位：
| 輸出數據行名稱 | 欄類型 | Description |
|---|---|---|
Score |
Single 向量 | 所有班級的分數。 較高的值表示較高的機率會落入相關聯的類別。 若第 i 個元素值最大，預測標籤索引為 i。 請注意，i 是以零為基礎的指標。 |
PredictedLabel |
金鑰 類型 | 預測標籤的索引。 若其值為 i，實際標籤將是鍵值輸入標籤類型中的第 i 個類別。 |
訓練師特性
| 機器學習任務 | 多類別分類 |
| 需要正規化嗎？ | 這取決於底層的二元分類器 |
| 快取是必須的嗎？ | Yes |
| 除了 Microsoft.ML 之外，必須使用 NuGet | None |
| 可匯出至 ONNX | Yes |
訓練演算法細節
在一對全（OVA）策略中，會使用二元分類演算法來訓練每個類別一個分類器，以區分該類別與其他類別。 接著透過執行這些二元分類器，選擇信心分數最高的預測來進行預測。 此演算法可用於 ML.NET 中的任何二元分類器。 已有少數二元分類器實作多類別問題，使用者可依上下文選擇任一。 OVA 版本的二元分類器，例如包裝 LightGbmBinaryTrainer，可以與 LightGbmMulticlassTrainer不同，後者直接發展出多類別分類器。 請注意，即使分類器標示不需要快取，OneVersusAll 仍會請求快取，因為它會對資料集執行多次處理。 當分類器表示需要正規化時，該訓練器會向資料管線請求正規化。
這可以讓你利用那些天生沒有多職業選項的訓練家，例如用 來 FastTreeBinaryTrainer 解決多職業問題。 或者，即使訓練器有多職業選項，也能讓 ML.NET 解決「較簡單」的問題，但由於記憶體限制，直接使用並不實際。 例如，雖然多類別邏輯迴歸是解決多類別問題的更原則性方法，但它要求訓練者同時儲存更多中間狀態，以 L-BFGS 歷史形式呈現所有類別，而非一對一分類模型所需的一一。
請參考「參見」區塊，裡面有使用範例的連結。
屬性
| 名稱 | Description |
|---|---|
| Info |
用於 IEstimator<TTransformer> 訓練一個一對全多類別分類器，使用指定的二元分類器。 (繼承來源 MetaMulticlassTrainer<TTransformer,TModel>) |
方法
| 名稱 | Description |
|---|---|
| Fit(IDataView) | |
| GetOutputSchema(SchemaShape) |
取得輸出欄位。 (繼承來源 MetaMulticlassTrainer<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。 |