OnlineGradientDescentTrainer Класс
Определение
Важно!
Некоторые сведения относятся к предварительной версии продукта, в которую до выпуска могут быть внесены существенные изменения. Майкрософт не предоставляет никаких гарантий, явных или подразумеваемых, относительно приведенных здесь сведений.
Для IEstimator<TTransformer> обучения модели линейной регрессии с помощью интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии.
public sealed class OnlineGradientDescentTrainer : Microsoft.ML.Trainers.AveragedLinearTrainer<Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.LinearRegressionModelParameters>,Microsoft.ML.Trainers.LinearRegressionModelParameters>type OnlineGradientDescentTrainer = class
inherit AveragedLinearTrainer<RegressionPredictionTransformer<LinearRegressionModelParameters>, LinearRegressionModelParameters>Public NotInheritable Class OnlineGradientDescentTrainer
Inherits AveragedLinearTrainer(Of RegressionPredictionTransformer(Of LinearRegressionModelParameters), LinearRegressionModelParameters)- Наследование
Комментарии
Чтобы создать этот обучающее средство, используйте OnlineGradientDescent или OnlineGradientDescent(Options).
Входные и выходные столбцы
Входные данные столбца меток должны иметь тип Single. Входные признаки данных столбцов должны быть вектором известного Singleразмера .
Этот алгоритм обучения выводит следующие столбцы:
| Имя выходного столбца | Тип столбца | Описание |
|---|---|---|
Score |
Single | Несвязанная оценка, прогнозируемая моделью. |
Характеристики тренера
| Задача машинного обучения | Регрессия |
| Требуется ли нормализация? | Да |
| Требуется ли кэширование? | Нет |
| Требуется NuGet в дополнение к Microsoft.ML | Нет |
| Экспортируемый в ONNX | Да |
Сведения об алгоритме обучения
Стохастический градиентный спуск использует простой итеративный метод для соответствия коэффициентам модели с использованием градиентов ошибок для функций выпуклой потери. Сетевой градиентный спуск (OGD) реализует стандартный (не пакетный) стохастический градиентный спуск, с выбором функций потери и возможность обновить вектор веса, используя среднее значение векторов, наблюдаемых с течением времени (средний аргумент имеет значение True по умолчанию).
Ссылки на примеры использования см. в разделе "См. также".
Поля
| FeatureColumn |
Столбец признаков, который ожидает тренер. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Столбец метки, который ожидает тренер. Может иметь значение |
| WeightColumn |
Столбец веса, который ожидает тренер. Может быть |
Свойства
| Info |
Для IEstimator<TTransformer> обучения модели линейной регрессии с помощью интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии. (Унаследовано от OnlineLinearTrainer<TTransformer,TModel>) |
Методы
| Fit(IDataView, LinearModelParameters) |
Продолжает обучение OnlineLinearTrainer<TTransformer,TModel> использования уже обученного |
| Fit(IDataView) |
Тренирует и возвращает .ITransformer (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Для IEstimator<TTransformer> обучения модели линейной регрессии с помощью интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>) |
Методы расширения
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Добавьте "контрольную точку кэширования" в цепочку оценщика. Это гарантирует, что подчиненные оценщики будут обучены на основе кэшированных данных. Рекомендуется использовать контрольную точку кэширования перед обучением, которые принимают несколько данных. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Учитывая оценщик, верните объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было положено, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако в то же время часто IEstimator<TTransformer> формируются в конвейеры со многими объектами, поэтому нам может потребоваться создать цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия. |