GamBinaryTrainer 클래스
정의
중요
일부 정보는 릴리스되기 전에 상당 부분 수정될 수 있는 시험판 제품과 관련이 있습니다. Microsoft는 여기에 제공된 정보에 대해 어떠한 명시적이거나 묵시적인 보증도 하지 않습니다.
GAM(일반화된 가산 모델)을 사용하여 이 IEstimator<TTransformer> 진 분류 모델을 학습하기 위한 것입니다.
public sealed class GamBinaryTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.GamBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type GamBinaryTrainer = class
inherit GamTrainerBase<GamBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<GamBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class GamBinaryTrainer
Inherits GamTrainerBase(Of GamBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of GamBinaryModelParameters, PlattCalibrator))- 상속
설명
이 트레이너를 만들려면 게임 또는 게임(옵션)을 사용합니다.
입력 및 출력 열
입력 레이블 열 데이터는 Boolean이어야 합니다. 입력 기능 열 데이터는 알려진 크기의 벡터 Single여야 합니다.
이 트레이너는 다음 열을 출력합니다.
| 출력 열 이름 | 열 유형 | 설명 | |
|---|---|---|---|
Score |
Single | 모델에서 계산한 바인딩되지 않은 점수입니다. | |
PredictedLabel |
Boolean | 점수 부호에 따라 예측된 레이블 음수 점수는 false에 양수 점수는 true에 매핑됩니다. |
|
Probability |
Single | true를 레이블로 갖는 점수를 보정하여 계산된 확률입니다. 확률 값은 [0, 1] 범위에 있습니다. |
트레이너 특성
| 기계 학습 작업 | 이진 분류 |
| 정규화가 필요한가요? | 아니요 |
| 캐싱이 필요한가요? | 아니요 |
| Microsoft.ML 외에도 필요한 NuGet | Microsoft.ML.FastTree |
| ONNX로 내보낼 수 있습니다. | 아니요 |
학습 알고리즘 세부 정보
일반화된 추가 모델 또는 GAM은 선형 모델과 유사한 선형 독립 기능 집합으로 데이터를 모델링합니다. GAM 트레이너는 각 기능에 대해 응답을 기능 값의 함수로 계산하는 "셰이프 함수"라고 하는 비선형 함수를 학습합니다. 반면 선형 모델은 각 기능에 대한 선형 응답(예: 선)에 맞습니다. 입력 점수를 매기기 위해 모든 셰이프 함수의 출력을 합산하고 점수는 총 값입니다.
이 GAM 트레이너는 얕은 그라데이션 강화 트리(예: 나무 그루터기)를 사용하여 비대칭 도형 함수를 학습하며, Lou, Caruana 및 Gehrke에 설명된 방법을 기반으로 합니다. "분류 및 회귀를 위한 이해할 수 있는 모델" KDD'12, 베이징, 중국. 2012. 학습 후에는 학습 집합에 대한 평균 예측을 나타내기 위해 절편이 추가되고, 평균 예측의 편차를 나타내도록 셰이프 함수가 정규화됩니다. 이렇게 하면 인터셉트 및 셰이프 함수를 검사하여 쉽게 해석되는 모델이 생성됩니다. GAM 모델을 학습시키고 결과를 검사하고 해석하는 방법에 대한 예제는 아래 샘플을 참조하세요.
사용 예제에 대한 링크는 참고 섹션을 참조하세요.
필드
| FeatureColumn |
트레이너가 기대하는 기능 열입니다. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
트레이너가 기대하는 레이블 열입니다.
|
| WeightColumn |
트레이너가 기대하는 체중 열입니다. 가중치가 학습에 사용되지 않음을 나타내는 일 수 |
속성
| Info |
GAM(일반화된 가산 모델)을 사용하여 이 IEstimator<TTransformer> 진 분류 모델을 학습하기 위한 것입니다. (다음에서 상속됨 GamTrainerBase<TOptions,TTransformer,TPredictor>) |
메서드
| Fit(IDataView, IDataView) |
GamBinaryTrainer 학습 데이터와 유효성 검사 데이터를 모두 사용하여 학습하고 .BinaryPredictionTransformer<TModel> |
| Fit(IDataView) |
를 학습하고 반환합니다 ITransformer. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
GAM(일반화된 가산 모델)을 사용하여 이 IEstimator<TTransformer> 진 분류 모델을 학습하기 위한 것입니다. (다음에서 상속됨 TrainerEstimatorBase<TTransformer,TModel>) |
확장 메서드
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
추정기 체인에 '캐싱 검사점'을 추가합니다. 이렇게 하면 다운스트림 추정기가 캐시된 데이터에 대해 학습됩니다. 여러 데이터 전달을 수행하는 트레이너 앞에 캐싱 검사점이 있는 것이 좋습니다. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
추정기가 지정된 경우 호출된 대리 Fit(IDataView) 자를 호출할 래핑 개체를 반환합니다. 예측 도구가 적합한 항목에 대한 정보를 반환하는 것이 중요한 경우가 많습니다. 따라서 Fit(IDataView) 메서드는 일반 ITransformer개체가 아닌 구체적으로 형식화된 개체를 반환합니다. 그러나 동시에 IEstimator<TTransformer> 개체가 많은 파이프라인으로 형성되는 경우가 많으므로 변환기를 가져올 추정기가 이 체인의 어딘가에 묻혀 있는 위치를 통해 EstimatorChain<TLastTransformer> 추정기 체인을 빌드해야 할 수 있습니다. 이 시나리오에서는 이 메서드를 통해 fit이 호출되면 호출될 대리자를 연결할 수 있습니다. |