SymbolicSgdLogisticRegressionBinaryTrainer 類別

定義

命名空間:

Microsoft.ML.Trainers

組件:

Microsoft.ML.Mkl.Components.dll

套件:

Microsoft.ML.Mkl.Components v5.0.0-preview.1.25125.4

來源:

SymSgdClassificationTrainer.cs

使用 IEstimator<TTransformer> 以符號隨機梯度下降訓練的線性二元分類模型來預測目標。

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<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 SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

繼承

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

備註

要建立此訓練器，請使用 SymbolicStochasticGradientDescent 或 SymbolicStochasticGradientDescent（Options）。

輸入與輸出欄位

輸入標籤欄位資料必須是 Boolean。 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	模型計算出的無界分數。
PredictedLabel	Boolean	根據分數的符號來預測的標籤。 負數分數會對應至 false，正分數會對應至 true。
Probability	Single	這個機率是透過校準以 為真為標籤所計算出來的。 機率值在範圍 [0， 1]。

訓練師特性

機器學習任務	二元分類
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

符號隨機梯度下降是一種透過尋找分離超平面來進行預測的演算法。 例如，特徵值為 $f 0， f1,..., f_{D-1}$，預測是透過確定該點落在超平面的哪一側來得出。 這與特徵加權和的符號相同，即 $\sum_{i = 0}^{D-1} （w_i * f_i） + b$，其中 $w_0， w_1,..., w_{D-1}$ 為演算法計算的權重，$b$ 為演算法計算的偏壓。

雖然大多數符號性隨機梯度下降演算法本質上是序列性的——但在每個步驟中，當前範例的處理都依賴於從先前範例中學習到的參數。 此演算法將局部模型訓練成獨立執行緒，並使用機率模型 cobminer，允許將局部模型組合起來，產生與序列符號隨機梯度下降預期結果相同的結果。

更多資訊請參閱 《平行隨機梯度下降與聲音合體》。

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 null，表示該標籤不用於訓練。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	訓練師預期的體重欄。 可以是 null，表示訓練時不使用重量。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

屬性

名稱	Description
Info	使用 IEstimator<TTransformer> 以符號隨機梯度下降訓練的線性二元分類模型來預測目標。

方法

名稱	Description
Fit(IDataView, LinearModelParameters)	繼續使用 SymbolicSgdLogisticRegressionBinaryTrainer 已訓練好的 modelParameters a Microsoft.ML.Data.BinaryPredictionTransformer。
Fit(IDataView)	訓練並返回 ITransformer。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	使用 IEstimator<TTransformer> 以符號隨機梯度下降訓練的線性二元分類模型來預測目標。 (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。

另請參閱

• SymbolicSgdLogisticRegressionBinaryTrainer.Options
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)