MLContext(Nullable<Int32>) Constructeur
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Créez le contexte ML.
public MLContext (int? seed = default);new Microsoft.ML.MLContext : Nullable<int> -> Microsoft.ML.MLContextPublic Sub New (Optional seed As Nullable(Of Integer) = Nothing)Paramètres
Amorçage du générateur de nombres aléatoires de MLContext. Pour plus d'informations, consultez les notes.
Remarques
De nombreuses opérations dans ML.NET nécessitent un caractère aléatoire, comme le shuffling de données aléatoires, l’échantillonnage aléatoire, l’initialisation de paramètres aléatoires, la permutation aléatoire, la sélection de caractéristiques aléatoires et bien plus encore. Le générateur de nombres aléatoires de MLContext est la source globale de l’aléatoire pour toutes ces opérations aléatoires.
Si une semence fixe est fournie par seed, l’environnement MLContext devient déterministe, ce qui signifie que les résultats sont répétables et restent identiques entre plusieurs exécutions. Par exemple, dans de nombreux extraits de code de référence de l’API ML.NET, une valeur initiale est fournie. C’est parce que nous voulons que les utilisateurs obtiennent la même sortie que ce qui est inclus dans les exemples de commentaires, quand ils exécutent l’exemple sur leur propre ordinateur.
En règle générale, la répétabilité n’est pas une exigence et c’est le comportement par défaut. Si une semence n’est pas fournie par seed, c’est-à-dire nullqu’elle est définie sur , l’environnement MLContext devient non déterministe et les sorties changent entre plusieurs exécutions.
Il existe de nombreuses opérations dans ML.NET qui n’utilisent pas de hasard, telles que la normalisation min-max, la concaténation des colonnes, l’indication de valeur manquante, etc. Le comportement de ces opérations est déterministe, quel que soit la valeur de départ.
En outre, ML.NET formateurs n’utilisent pas de aléatoire *after* l’entraînement est terminé. Par conséquent, les prédictions d’un modèle chargé ne dépendent pas de la valeur initiale.