LbfgsPoissonRegressionTrainer Clase
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
IEstimator<TTransformer> para entrenar un modelo de regresión de Poisson.
public sealed class LbfgsPoissonRegressionTrainer : Microsoft.ML.Trainers.LbfgsTrainerBase<Microsoft.ML.Trainers.LbfgsPoissonRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.PoissonRegressionModelParameters>,Microsoft.ML.Trainers.PoissonRegressionModelParameters>type LbfgsPoissonRegressionTrainer = class
inherit LbfgsTrainerBase<LbfgsPoissonRegressionTrainer.Options, RegressionPredictionTransformer<PoissonRegressionModelParameters>, PoissonRegressionModelParameters>Public NotInheritable Class LbfgsPoissonRegressionTrainer
Inherits LbfgsTrainerBase(Of LbfgsPoissonRegressionTrainer.Options, RegressionPredictionTransformer(Of PoissonRegressionModelParameters), PoissonRegressionModelParameters)- Herencia
Comentarios
Para crear este instructor, use LbfgsPoissonRegression o LbfgsPoissonRegression(Options).
Columnas de entrada y salida
Los datos de la columna de etiquetas de entrada deben ser Single. Los datos de columna de características de entrada deben ser un vector de tamaño conocido de Single.
Este instructor genera las siguientes columnas:
| Nombre de columna de salida | Tipo de columna | Descripción |
|---|---|---|
Score |
Single | Puntuación sin enlazar que el modelo predijo. |
Características del entrenador
| Tarea de Machine Learning | Regresión |
| ¿Se requiere normalización? | Sí |
| ¿Se requiere el almacenamiento en caché? | No |
| NuGet necesario además de Microsoft.ML | None |
| Exportable a ONNX | Sí |
Detalles del algoritmo de entrenamiento
La regresión de Poisson es un método de regresión con parámetros. Se supone que el registro de la media condicional de la variable dependiente sigue una función lineal de las variables dependientes. Suponiendo que la variable dependiente sigue una distribución de Poisson, los parámetros de regresión se pueden estimar maximizando la probabilidad de las observaciones obtenidas.
Consulte la sección Consulte también los vínculos a ejemplos de uso.
Campos
| FeatureColumn |
Columna de características que espera el instructor. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Columna de etiqueta que espera el instructor. Puede ser |
| WeightColumn |
Columna de peso que espera el entrenador. Puede ser |
Propiedades
| Info |
IEstimator<TTransformer> para entrenar un modelo de regresión de Poisson. (Heredado de LbfgsTrainerBase<TOptions,TTransformer,TModel>) |
Métodos
| Fit(IDataView, LinearModelParameters) |
Continúa el entrenamiento de un LbfgsPoissonRegressionTrainer objeto mediante un objeto ya entrenado |
| Fit(IDataView) |
Entrena y devuelve un ITransformerobjeto . (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> para entrenar un modelo de regresión de Poisson. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
Métodos de extensión
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de bajada se entrenarán con datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador se enterró en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit. |