SymbolicSgdLogisticRegressionBinaryTrainer Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Trainers

Zestaw:

Microsoft.ML.Mkl.Components.dll

Pakiet:

Microsoft.ML.Mkl.Components v3.0.1

Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany z symbolicznym spadkiem gradientu stochastycznego.

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

Dziedziczenie

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

Uwagi

Aby utworzyć ten trener, użyj parametru SymbolicStochasticGradientDescent lub SymbolicStochasticGradientDescent(Options).

Kolumny wejściowe i wyjściowe

Dane kolumny etykiety wejściowej muszą mieć wartość Boolean. Dane wejściowe funkcji kolumny muszą być znanym wektorem o rozmiarze Single.

Ten trener generuje następujące kolumny:

Nazwa kolumny wyjściowej	Typ kolumny	Opis
Score	Single	Niezwiązany wynik, który został obliczony przez model.
PredictedLabel	Boolean	Przewidywana etykieta na podstawie znaku wyniku. Wynik ujemny mapuje na false wartości i wynik dodatni jest mapowy na true.
Probability	Single	Prawdopodobieństwo obliczone przez kalibrowanie wyniku wartości true jako etykiety. Wartość prawdopodobieństwa jest w zakresie [0, 1].

Cechy trenera

Zadanie uczenia maszynowego	Klasyfikacja binarna
Czy normalizacja jest wymagana?	Tak
Czy buforowanie jest wymagane?	Nie
Wymagane narzędzie NuGet oprócz Microsoft.ML	Microsoft.ML.Mkl.Components
Eksportowanie do pliku ONNX	Tak

Szczegóły algorytmu trenowania

Symboliczne spadek gradientu stochastycznego jest algorytmem, który tworzy przewidywania przez znalezienie oddzielającego hiperpłaszczyzny. Na przykład z wartościami funkcji $f 0, f1,..., f_{D-1}$, przewidywanie jest podane przez określenie, która strona hiperpłaszczyzny przypada. Jest to takie samo, jak znak ważonej sumy funkcji, tj. $\sum_{i = 0}^{D-1} (w_i * f_i) + b$, gdzie $w_0, w_1,..., w_{D-1}$ są wagami obliczanymi przez algorytm, a $b$ jest stronniczość obliczana przez algorytm.

Chociaż najbardziej symboliczne algorytmy spadku gradientu stochastycznego są z natury sekwencyjne — w każdym kroku przetwarzanie bieżącego przykładu zależy od parametrów poznanych w poprzednich przykładach. Ten algorytm szkoli lokalne modele w osobnych wątkach i współbieżnik modelu probabilistycznego, który umożliwia łączenie modeli lokalnych w taki sam sposób, jak sekwencyjne spadek gradientu stochastycznego, w oczekiwaniu.

Aby uzyskać więcej informacji, zobacz Parallel Stochastic Gradient Descent with Sound Combiners (Równoległe spadek gradientu stochastycznego za pomocą łączenia dźwięku).

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 nullwartość , która wskazuje, że etykieta nie jest używana do trenowania. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Kolumna wagi, którą oczekuje trener. Może to być null, co wskazuje, że waga nie jest używana do trenowania. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

Właściwości

Info	Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany z symbolicznym spadkiem gradientu stochastycznego.

Metody

Fit(IDataView, LinearModelParameters)	Kontynuuje szkolenie SymbolicSgdLogisticRegressionBinaryTrainer przy użyciu już wytrenowanego modelParameters elementu Microsoft.ML.Data.BinaryPredictionTransformer.
Fit(IDataView)	Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany z symbolicznym spadkiem gradientu stochastycznego. (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.

Zobacz też

• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)
• SymbolicSgdLogisticRegressionBinaryTrainer.Options