共用方式為


SgdCalibratedTrainer 類別

定義

用於 IEstimator<TTransformer> 使用平行隨機漸層方法定型羅吉斯回歸的 。 定型的模型經過 校正 ,而且可以將線性函式的輸出值饋送至 PlattCalibrator ,以產生機率。

public sealed class SgdCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>
type SgdCalibratedTrainer = class
    inherit SgdBinaryTrainerBase<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>
Public NotInheritable Class SgdCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))
繼承

備註

若要建立此定型器,請使用) (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 模型所計算的未系結分數。
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。 機率值的範圍為 [0, 1]。

定型器特性

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

定型演算法詳細資料

Stochastic Gradient Drop (SGD) 是其中一個熱門的隨機優化程式,可整合到數個機器學習工作中,以達到最先進的效能。 此定型器會針對支援多執行緒的二元分類實作 Hogwild Stochastic Gradient 下降,而不需要任何鎖定。 如果相關聯的優化問題很疏鬆,Hogwild 隨機梯度下降可達到接近最佳聚合率。 如需 Hogwild 隨機梯度下降的詳細資訊,請參閱 這裡

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

用於 IEstimator<TTransformer> 使用平行隨機漸層方法定型羅吉斯回歸的 。 定型的模型經過 校正 ,而且可以將線性函式的輸出值饋送至 PlattCalibrator ,以產生機率。

(繼承來源 SgdBinaryTrainerBase<TModel>)

方法

Fit(IDataView)

定型並傳 ITransformer 回 。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)

使用已定 modelParameters 型的 SdcaLogisticRegressionBinaryTrainer 繼續訓練 ,並傳 Microsoft.ML.Data.BinaryPredictionTransformer 回 。

(繼承來源 SgdBinaryTrainerBase<TModel>)
GetOutputSchema(SchemaShape)

用於 IEstimator<TTransformer> 使用平行隨機漸層方法定型羅吉斯回歸的 。 定型的模型經過 校正 ,而且可以將線性函式的輸出值饋送至 PlattCalibrator ,以產生機率。

(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