GamRegressionTrainer Classe
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.
Pour IEstimator<TTransformer> entraîner un modèle de régression avec des modèles additifs généralisés (GAM).
public sealed class GamRegressionTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>type GamRegressionTrainer = class
inherit GamTrainerBase<GamRegressionTrainer.Options, RegressionPredictionTransformer<GamRegressionModelParameters>, GamRegressionModelParameters>Public NotInheritable Class GamRegressionTrainer
Inherits GamTrainerBase(Of GamRegressionTrainer.Options, RegressionPredictionTransformer(Of GamRegressionModelParameters), GamRegressionModelParameters)- Héritage
-
TrainerEstimatorBase<TTransformer,TPredictor>GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>GamRegressionTrainer
Remarques
Pour créer ce formateur, utilisez Gam ou Gam(Options).
Colonnes d’entrée et de sortie
Les données de la colonne d’étiquettes d’entrée doivent être Single. Les données de colonne des caractéristiques d’entrée doivent être un vecteur de taille connue de Single.
Ce formateur génère les colonnes suivantes :
| Nom de colonne de sortie | Type de colonne | Description |
|---|---|---|
Score |
Single | Score non lié prédit par le modèle. |
Caractéristiques de l’entraîneur
| Tâche d’apprentissage automatique | régression ; |
| La normalisation est-elle requise ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.FastTree |
| Exportable vers ONNX | Non |
Détails de l’algorithme d’apprentissage
Modèles additifs généralisés ou GAMs, modélisez les données en tant qu’ensemble de fonctionnalités linéairement indépendantes similaires à un modèle linéaire. Pour chaque fonctionnalité, le formateur GAM apprend une fonction non linéaire, appelée « fonction de forme », qui calcule la réponse en fonction de la valeur de la fonctionnalité. (En revanche, un modèle linéaire correspond à une réponse linéaire (par exemple, une ligne) à chaque fonctionnalité.) Pour noter une entrée, les sorties de toutes les fonctions de forme sont résumées et le score est la valeur totale.
Ce formateur GAM est implémenté à l’aide d’arbres dégradés peu profonds (p. ex., des stumpes d’arbre) pour apprendre les fonctions de forme nonparamétriques, et est basé sur la méthode décrite dans Lou, Caruana et Gehrke. « Modèles intelligibles pour la classification et la régression ». KDD'12, Beijing, Chine. 2012. Après l’entraînement, une intercepte est ajoutée pour représenter la prédiction moyenne sur le jeu d’entraînement et les fonctions de forme sont normalisées pour représenter l’écart par rapport à la prédiction moyenne. Cela entraîne des modèles facilement interprétés simplement en inspectant l’intercept et les fonctions de forme. Consultez l’exemple ci-dessous pour obtenir un exemple d’apprentissage d’un modèle GAM et d’inspecter et interpréter les résultats.
Consultez la section Voir également pour obtenir des liens vers des exemples d’utilisation.
Champs
| FeatureColumn |
Colonne de caractéristique attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Colonne d’étiquette attendue par le formateur. Peut être |
| WeightColumn |
Colonne de poids attendue par l’entraîneur. Peut être |
Propriétés
| Info |
Pour IEstimator<TTransformer> entraîner un modèle de régression avec des modèles additifs généralisés (GAM). (Hérité de GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Méthodes
| Fit(IDataView, IDataView) |
Effectue l’apprentissage à GamRegressionTrainer l’aide de données d’entraînement et de validation, retourne un RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Entraîne et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> entraîner un modèle de régression avec des modèles additifs généralisés (GAM). (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
Méthodes d’extension
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Étant donné un estimateur, retournez un objet de création de package de package qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui a été adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets. Nous pouvons donc avoir besoin de créer une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |