LpNormNormalizingEstimator 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.
Normalise (met à l’échelle) des vecteurs dans la colonne d’entrée vers la norme d’unité. Le type de norme utilisé peut être spécifié par l’utilisateur.
public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBasetype LpNormNormalizingEstimator = class
inherit LpNormNormalizingEstimatorBasePublic NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase- Héritage
-
LpNormNormalizingEstimator
Remarques
Caractéristiques de l’estimateur
| Cet estimateur doit-il examiner les données pour entraîner ses paramètres ? | Non |
| Type de données de colonne d’entrée | Vecteur de Single |
| Type de données de colonne de sortie | Vecteur de Single |
| Exportable vers ONNX | Oui |
Le résultat LpNormNormalizingTransformer normalise les vecteurs dans la colonne d’entrée individuellement en les mettant à l’échelle vers la norme d’unité.
Laissez $x$ être le vecteur d’entrée, $n$ la taille du vecteur, $L(x)$ la fonction de norme sélectionnée par l’utilisateur. Laissez $\mu(x) = \sum_i x_i /n$ être la moyenne des valeurs de vecteur $x$. L’opération LpNormNormalizingTransformer suivante s’effectue sur chaque vecteur d’entrée $x$: $y = \frac{x - \mu(x)}{L(x)}$ si l’utilisateur spécifie que la moyenne doit être égale à zéro, ou sinon : $y = \frac{x}{L(x)}$
Il existe quatre types de norme qui peuvent être sélectionnés par l’utilisateur à appliquer sur le vecteur d’entrée $x$. Elles sont définies comme suit :
- L1: $L_1(x) = \sum_i |x_i|$
- L2: $L_2(x) = \sqrt{\sum_i x_i^2}$
- Infinity: $L_{\infty}(x) = \max_i{|x_i|} $
- StandardDeviation: $L_\sigma(x)$ est défini comme l’écart type des éléments du vecteur d’entrée $x$
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
Méthodes
| Fit(IDataView) |
Normalise (met à l’échelle) des vecteurs dans la colonne d’entrée vers la norme d’unité. Le type de norme utilisé peut être spécifié par l’utilisateur. (Hérité de TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Retourne le SchemaShape schéma qui sera produit par le transformateur. Utilisé pour la propagation et la vérification du schéma dans un pipeline. (Hérité de LpNormNormalizingEstimatorBase) |
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. |