SymbolicSgdLogisticRegressionBinaryTrainer Klasse

Definition

Namespace:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.Mkl.Components.dll

Paket:

Microsoft.ML.Mkl.Components v3.0.1

Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde.

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))

Vererbung

Object

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

SymbolicSgdLogisticRegressionBinaryTrainer

Hinweise

Um diesen Trainer zu erstellen, verwenden Sie "SymbolicStochasticGradientDescent " oder "SymbolicStochasticGradientDescent(Options)".

Eingabe- und Ausgabespalten

Die Daten in der Spalte für die Eingabezeichnung müssen Boolean sein. Die Spaltendaten der Eingabefeatures müssen ein bekannter Vektor sein Single.

Der Trainer gibt folgende Spalten aus:

Name der Ausgabespalte	Spaltentyp	BESCHREIBUNG
Score	Single	Die ungebundene Bewertung, die vom Modell berechnet wurde.
PredictedLabel	Boolean	Der vorhergesagte Bezeichnung, basierend auf dem Abzeichnen der Bewertung. Eine negative Bewertung wird false und eine positive Bewertung wird true zugeordnet.
Probability	Single	Die Wahrscheinlichkeit, die durch die Kalibrierung des Werts "true" als Bezeichnung berechnet wird. Der Wahrscheinlichkeitswert befindet sich im Bereich [0, 1].

Trainereigenschaften

ML-Aufgabe	Binäre Klassifizierung
Ist normalisierung erforderlich?	Yes
Ist zwischenspeichern erforderlich?	No
Erforderliches NuGet zusätzlich zu Microsoft.ML	Microsoft.ML.Mkl.Components
Exportierbar in ONNX	Yes

Details des Schulungsalgorithmus

Der symbolische stochastische Farbverlaufsabstieg ist ein Algorithmus, der seine Vorhersagen macht, indem eine getrennte Hyperplane gefunden wird. Mit Featurewerten $f 0, f1,..., f_{D-1}$, wird die Vorhersage beispielsweise angegeben, indem bestimmt wird, in welche Seite der Hyperplane der Punkt fällt. Das entspricht dem Zeichen der gewichteten Summe des Features, d. h. $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, wobei $w_0, w_1,..., w_{D-1}$ die Gewichtungen sind, die vom Algorithmus berechnet werden, und $b$ ist die vom Algorithmus berechnete Verzerrung.

Während die meisten symbolischen stochastischen Farbverlaufsabstiegsalgorithmen inhärent sequenziell sind - bei jedem Schritt hängt die Verarbeitung des aktuellen Beispiels von den parametern ab, die aus vorherigen Beispielen gelernt wurden. Dieser Algorithmus trainiert lokale Modelle in separaten Threads und probabilistischem Modellkobminer, mit dem die lokalen Modelle kombiniert werden können, um dasselbe Ergebnis zu erzeugen, wie ein sequenzieller symbolischer stochastischer Farbverlaufsabstieg in Erwartung erzeugt hätte.

Weitere Informationen finden Sie unter Parallel Stochastic Gradient Descent with Sound Combiners.

Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Verwendungsbeispielen zu finden.

Felder

FeatureColumn	Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Die Beschriftungsspalte, die der Trainer erwartet. Kann sein null, was angibt, dass bezeichnung nicht für Schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtungsspalte, die der Trainer erwartet. Kann sein null, was angibt, dass Gewicht nicht für die Schulung verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Info	Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde.

Methoden

Fit(IDataView, LinearModelParameters)	Setzt die Schulung der SymbolicSgdLogisticRegressionBinaryTrainer Bereits trainierten modelParameters ein Microsoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	Züge und gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Erweiterungsmethoden

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.

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

Wenn sie eine Schätzung erhalten, geben Sie ein Umbruchobjekt zurück, das einen Delegaten aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen darüber zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformerObjekt zurückzugeben. IEstimator<TTransformer> Gleichzeitig werden jedoch häufig Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern erstellen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die aufgerufen wird, sobald sie aufgerufen wird.

Weitere Informationen

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