SdcaNonCalibratedMulticlassTrainer Classe

Définition

Espace de noms:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Paquet:

Microsoft.ML v3.0.1

IEstimator<TTransformer> Pour prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters formé produit des probabilités de classes.

public sealed class SdcaNonCalibratedMulticlassTrainer : Microsoft.ML.Trainers.SdcaMulticlassTrainerBase<Microsoft.ML.Trainers.LinearMulticlassModelParameters>

type SdcaNonCalibratedMulticlassTrainer = class
    inherit SdcaMulticlassTrainerBase<LinearMulticlassModelParameters>

Public NotInheritable Class SdcaNonCalibratedMulticlassTrainer
Inherits SdcaMulticlassTrainerBase(Of LinearMulticlassModelParameters)

Héritage

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaMulticlassTrainerBase<TModel>.MulticlassOptions,MulticlassPredictionTransformer<TModel>,TModel>

SdcaMulticlassTrainerBase<LinearMulticlassModelParameters>

SdcaNonCalibratedMulticlassTrainer

Remarques

Pour créer ce formateur, utilisez SdcaMaximumEntropy ou SdcaMaximumEntropy(Options).

Colonnes d’entrée et de sortie

Les données de colonne d’étiquette d’entrée doivent être de type clé et la colonne de caractéristique doit être un vecteur de taille connue de Single.

Ce formateur génère les colonnes suivantes :

Nom de colonne de sortie	Type de colonne	Description
Score	Vecteur de Single	Les scores de toutes les classes. Une valeur supérieure signifie une plus forte probabilité d’appartenir à la classe associée. Si l’i-ème élément a la plus grande valeur, l’index de l’étiquette prédite est i. Notez que i est l’index de base zéro.
PredictedLabel	type de clé	Index de l’étiquette prédite. Si sa valeur est i, l’étiquette réelle est la i-ème catégorie dans le type d’étiquette d’entrée avec une valeur de clé.

Caractéristiques de l’entraîneur

Tâche d’apprentissage automatique	Classification multiclasse
La normalisation est-elle nécessaire ?	Oui
La mise en cache est-elle requise ?	Non
NuGet requis en plus de Microsoft.ML	Aucun
Exportable vers ONNX	Oui

Fonction de scoring

Cela entraîne un modèle linéaire pour résoudre les problèmes de classification multiclasse. Supposons que le nombre de classes est $m$ et que le nombre de fonctionnalités est $n$. Il affecte à la classe $c$-th un vecteur de coefficient $\textbf{w}_c \in {\mathbb R}^n$ et un biais $b_c \in {\mathbb R}$, pour $c=1,\dots,m$. Étant donné un vecteur de fonctionnalité $\textbf{x} \in {\mathbb R}^n$, le score de la $c$-th classe serait $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$. Notez que la valeur $c$-th dans la colonne de score de sortie est juste $\hat{y}^c$.

Détails de l’algorithme d’apprentissage

Consultez la documentation de SdcaMulticlassTrainerBase.

Consultez la section Voir aussi 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 l’entraîneur. Peut être null, ce qui indique que l’étiquette n’est pas utilisée pour l’entraînement. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Colonne de poids attendue par l’entraîneur. Peut être null, ce qui indique que le poids n’est pas utilisé pour l’entraînement. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)

Propriétés

Info	IEstimator<TTransformer> Pour prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters formé produit des probabilités de classes. (Hérité de StochasticTrainerBase<TTransformer,TModel>)

Méthodes

Fit(IDataView)	Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	IEstimator<TTransformer> Pour prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters formé produit des probabilités de classes. (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 restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important qu’un estimateur retourne des informations sur ce qui était 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 par EstimatorChain<TLastTransformer> le biais de 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.

Voir aussi

• SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)
• SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
• SdcaNonCalibratedMulticlassTrainer.Options