共用方式為


SdcaMaximumEntropyMulticlassTrainer 類別

定義

IEstimator<TTransformer> 用來使用最大 Entropy 多類別分類器來預測目標。 定型的模型 MaximumEntropyModelParameters 會產生類別的機率。

public sealed class SdcaMaximumEntropyMulticlassTrainer : Microsoft.ML.Trainers.SdcaMulticlassTrainerBase<Microsoft.ML.Trainers.MaximumEntropyModelParameters>
type SdcaMaximumEntropyMulticlassTrainer = class
    inherit SdcaMulticlassTrainerBase<MaximumEntropyModelParameters>
Public NotInheritable Class SdcaMaximumEntropyMulticlassTrainer
Inherits SdcaMulticlassTrainerBase(Of MaximumEntropyModelParameters)
繼承

備註

若要建立此定型器,請使用 SdcaMaximumEntropySdcaMaximumEntropy (Options)

輸入和輸出資料行

輸入標籤資料行資料必須是 索引鍵 類型,特徵資料行必須是 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 的向量 所有類別的分數。 較高值表示落入相關聯類別的機率較高。 若第 i 個項目具有最大值,則預測標籤索引將會是 i。 請注意,i 是以零為基礎的索引。
PredictedLabel 索引鍵 類型 預測標籤的索引。 若其值是 i,則實際標籤可能會是索引鍵/值輸入標籤類型中的第 i 個類別。

定型器特性

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

評分函式

這會定型線性模型來解決多元分類問題。 假設類別數目為 $m$,且功能數目為 $n$。 它會為 {\mathbb R}$$ 指派$c$-th 類別係數向量 $\textbf{w}_c \in {\mathbb R}^n$ 和 {\mathbb R}$ 中的偏差 $b_c \,適用于 $c=1,\dots,m$。 假設 {\mathbb R}^n$ 中的特徵向量 $\textbf{x} \,$c$-th 類別的分數會是 $\tilde{P} (c |\textbf{x}) = \frac{ e^{\hat{y}^c} }{ \sum_{c' = 1}^m e^{\hat{y}^{c'}} }$,其中 $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$。 請注意,$\tilde{P} (c |\textbf{x}) $ 是當特徵向量為 $\textbf{x}$ 時,觀察類別$c$ 的機率。

定型演算法詳細資料

請參閱 SdcaMulticlassTrainerBase的檔。

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 ,表示不會使用權數來定型。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

屬性

Info

IEstimator<TTransformer> 用來使用最大 Entropy 多類別分類器來預測目標。 定型的模型 MaximumEntropyModelParameters 會產生類別的機率。

(繼承來源 StochasticTrainerBase<TTransformer,TModel>)

方法

Fit(IDataView)

定型並傳 ITransformer 回 。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)

IEstimator<TTransformer> 用來使用最大 Entropy 多類別分類器來預測目標。 定型的模型 MaximumEntropyModelParameters 會產生類別的機率。

(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,擁有快取檢查點會很有説明。

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

假設有估算器,則會傳回包裝物件,一旦 Fit(IDataView) 呼叫委派即可。 估算器通常必須傳回符合專案的相關資訊,這就是方法 Fit(IDataView) 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 EstimatorChain<TLastTransformer> 建置估算器的鏈結,而我們想要取得轉換器的估算器會在此鏈結的某處被隱藏。 在該案例中,我們可以透過此方法附加呼叫一次將會呼叫的委派。

適用於

另請參閱