GamRegressionTrainer Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Element IEstimator<TTransformer> do trenowania modelu regresji za pomocą uogólnionych modeli addytywnego (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)- Dziedziczenie
-
TrainerEstimatorBase<TTransformer,TPredictor>GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>GamRegressionTrainer
Uwagi
Aby utworzyć tego trenera, użyj opcji Gam lub Gam(Options).
Kolumny wejściowe i wyjściowe
Dane kolumny etykiety wejściowej muszą mieć wartość Single. Dane wejściowe funkcji kolumny muszą być znanym wektorem o rozmiarze Single.
Ten trener generuje następujące kolumny:
| Nazwa kolumny wyjściowej | Typ kolumny | Opis |
|---|---|---|
Score |
Single | Niezawiązany wynik, który został przewidywany przez model. |
Cechy trenera
| Zadanie uczenia maszynowego | Regresja |
| Czy normalizacja jest wymagana? | Nie |
| Czy buforowanie jest wymagane? | Nie |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Microsoft.ML.FastTree |
| Eksportowanie do pliku ONNX | Nie |
Szczegóły algorytmu trenowania
Uogólnione modele addytywne lub gaMs modeluje dane jako zestaw liniowo niezależnych funkcji podobnych do modelu liniowego. Dla każdej funkcji trener GAM uczy się funkcji nieliniowej, zwanej "funkcją kształtu", która oblicza odpowiedź jako funkcję wartości funkcji. (Natomiast model liniowy pasuje do odpowiedzi liniowej (np. linii) do każdej funkcji. Aby ocenić dane wejściowe, dane wyjściowe wszystkich funkcji kształtu są sumowane, a wynik jest łączną wartością.
Ten trener GAM jest implementowany przy użyciu płytkich pobudzonych drzew gradientowych (np. pniaków drzew) do uczenia się nieparametrycznych funkcji kształtu i opiera się na metodzie opisanej w Lou, Caruana i Gehrke. "Modele intelligible na potrzeby klasyfikacji i regresji". KDD'12, Pekin, Chiny. 2012. Po trenowaniu do zestawu trenowania dodawany jest przechwyt, aby reprezentować średnie przewidywanie w zestawie treningowym, a funkcje kształtu są znormalizowane w celu reprezentowania odchylenia od średniej przewidywania. Powoduje to łatwe interpretowanie modeli przez sprawdzenie przechwycenia i funkcji kształtu. Zobacz poniższy przykład, aby zapoznać się z przykładem trenowania modelu GAM i sprawdzania i interpretowania wyników.
Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.
Pola
| FeatureColumn |
Kolumna funkcji, której oczekuje trener. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Kolumna etykiety, którą oczekuje trener. Może to być |
| WeightColumn |
Kolumna wagi, którą oczekuje trener. Może to być |
Właściwości
| Info |
Element IEstimator<TTransformer> do trenowania modelu regresji za pomocą uogólnionych modeli addytywnego (GAM). (Odziedziczone po GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Metody
| Fit(IDataView, IDataView) |
Trenuje GamRegressionTrainer przy użyciu zarówno danych treningowych, jak i weryfikacyjnych, zwraca wartość RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Element IEstimator<TTransformer> do trenowania modelu regresji za pomocą uogólnionych modeli addytywnego (GAM). (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozszerzania
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Dołącz punkt kontrolny buforowania do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane względem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejmą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólną ITransformerwartość . Jednak w tym samym czasie IEstimator<TTransformer> często są tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania. |