SgdCalibratedTrainer 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 логистической регрессии используется параллельный метод стохастического градиента. Обученная модель откалибрована и может привести к вероятности, задав выходное значение линейной функции в .PlattCalibrator
public sealed class SgdCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type SgdCalibratedTrainer = class
inherit SgdBinaryTrainerBase<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class SgdCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))- Наследование
-
LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>SgdCalibratedTrainer
Комментарии
Чтобы создать этот обучающее средство, используйте Методы Настройки Или Методы Оценки.
Входные и выходные столбцы
Входные данные столбца меток должны иметь тип Boolean. 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, вычисляемая моделью. | |
PredictedLabel |
Boolean | Прогнозируемая метка, зависящая от знака оценки. Отрицательная оценка соответствует значению false, а положительная — значению true. |
|
Probability |
Single | Вероятность, вычисляемая путем калибровки оценки истинности в качестве метки. Значение вероятности находится в диапазоне [0, 1]. |
Характеристики тренера
| Задача машинного обучения | Двоичная классификация |
| 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 (JSON) является одной из популярных процедур стохастической оптимизации, которые можно интегрировать в несколько задач машинного обучения для достижения состояния производительности. Этот тренер реализует Hogwild Stochastic Gradient Descent для двоичной классификации, которая поддерживает многопоточное без блокировки. Если связанная проблема оптимизации разрежена, Hogwild Stochastic Градиентный спуск достигает почти оптимальной скорости конвергенции. Дополнительные сведения о Hogwild Stochastic Градиентный спуск можно найти здесь.
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 логистической регрессии используется параллельный метод стохастического градиента. Обученная модель откалибрована и может привести к вероятности, задав выходное значение линейной функции в .PlattCalibrator (Унаследовано от SgdBinaryTrainerBase<TModel>) |
Методы
| Fit(IDataView, LinearModelParameters) |
Продолжает обучение SdcaLogisticRegressionBinaryTrainer использования уже обученного |
| Fit(IDataView) |
Тренирует и возвращает .ITransformer (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Для IEstimator<TTransformer> обучения логистической регрессии используется параллельный метод стохастического градиента. Обученная модель откалибрована и может привести к вероятности, задав выходное значение линейной функции в .PlattCalibrator (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. |