SymbolicSgdLogisticRegressionBinaryTrainer.Options Classe

Définition

Espace de noms:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.Mkl.Components.dll

Paquet:

Microsoft.ML.Mkl.Components v3.0.1

Options pour l’élément SymbolicSgdLogisticRegressionBinaryTrainer utilisé dans SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer.Options : Microsoft.ML.Trainers.TrainerInputBaseWithLabel

type SymbolicSgdLogisticRegressionBinaryTrainer.Options = class
    inherit TrainerInputBaseWithLabel

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer.Options
Inherits TrainerInputBaseWithLabel

Héritage

Object

TrainerInputBase

TrainerInputBaseWithLabel

SymbolicSgdLogisticRegressionBinaryTrainer.Options

Constructeurs

SymbolicSgdLogisticRegressionBinaryTrainer.Options()

Options pour l’élément SymbolicSgdLogisticRegressionBinaryTrainer utilisé dans SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Champs

FeatureColumnName	Colonne à utiliser pour les fonctionnalités. (Hérité de TrainerInputBase)
L2Regularization	Régularisation L2.
LabelColumnName	Colonne à utiliser pour les étiquettes. (Hérité de TrainerInputBaseWithLabel)
LearningRate	Taux d’apprentissage. Une valeur plus élevée peut potentiellement réduire le temps d’entraînement, mais entraîner une instabilité numérique et un surajustement.
MemorySize	Budget de mémoire d’accélération en Mo.
NumberOfIterations	Number of passes over the data.
NumberOfThreads	Degré de parallélisme sans verrou. Le déterminisme n’est pas garanti si cette valeur est supérieure à 1. La valeur par défaut est le nombre de cœurs logiques disponibles sur le système.
PositiveInstanceWeight	Appliquez le poids à la classe positive, pour les données déséquilibrées.
Shuffle	Définir pour true que les données se mélangent.
Tolerance	Tolérance pour la différence de perte moyenne dans les passes consécutives. Si la réduction de la perte est inférieure à la tolérance spécifiée dans une itération, le processus d’entraînement est arrêté.
UpdateFrequency	Le nombre d’itérations que chaque thread apprend un modèle local jusqu’à ce qu’il soit combiné avec le modèle global. La valeur faible signifie un modèle global plus mis à jour et une valeur élevée signifie moins de trafic de cache.