SdcaMaximumEntropyMulticlassTrainer 类

参考

定义

命名空间:: Microsoft.ML.Trainers

程序集:: Microsoft.ML.StandardTrainers.dll

包:: Microsoft.ML v3.0.1

包:: Microsoft.ML v1.0.0

包:: Microsoft.ML v1.1.0

包:: Microsoft.ML v1.2.0

包:: Microsoft.ML v1.3.1

包:: Microsoft.ML v1.4.0

包:: Microsoft.ML v1.5.5

包:: Microsoft.ML v1.6.0

包:: Microsoft.ML v1.7.0

包:: Microsoft.ML v2.0.0

重要

一些信息与预发行产品相关，相应产品在发行之前可能会进行重大修改。对于此处提供的信息，Microsoft 不作任何明示或暗示的担保。

使用 IEstimator<TTransformer> 最大枚举多类分类器预测目标。训练的模型 MaximumEntropyModelParameters 生成类的概率。

public sealed class SdcaMaximumEntropyMulticlassTrainer : Microsoft.ML.Trainers.SdcaMulticlassTrainerBase<Microsoft.ML.Trainers.MaximumEntropyModelParameters>

type SdcaMaximumEntropyMulticlassTrainer = class
    inherit SdcaMulticlassTrainerBase<MaximumEntropyModelParameters>

Public NotInheritable Class SdcaMaximumEntropyMulticlassTrainer
Inherits SdcaMulticlassTrainerBase(Of MaximumEntropyModelParameters)

继承: Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaMulticlassTrainerBase<TModel>.MulticlassOptions,MulticlassPredictionTransformer<TModel>,TModel>

SdcaMulticlassTrainerBase<MaximumEntropyModelParameters>
SdcaMaximumEntropyMulticlassTrainer

注解

若要创建此训练程序，请使用 SdcaMaximumEntropy 或 SdcaMaximumEntropy (选项) 。

输入和输出列

输入标签列数据必须是键类型，特征列必须是已知大小的向量 Single。

该训练程序输出以下列：

输出列名称	列名称	描述
`Score`	Single 的向量	所有类的分数。值越高意味着落入相关类的概率越高。如果第 i 个元素具有最大值，则预测的标签索引为 i。请注意，i 是从零开始的索引。
`PredictedLabel`	key 类型	预测标签的索引。如果其值为 i，则实际标签为键值输入标签类型中的第 i 个类别。

训练器特征


机器学习任务	多类分类
规范化是否需要？	是
是否需要缓存？	否
除 Microsoft.ML 外所需的 NuGet	无
可导出到 ONNX	是

评分函数

这会训练线性模型来解决多类分类问题。假设类数为 $m$ 且特征数为 $n$。它为 $c$-th 类分配系数向量 $\textbf{w}_c \in {\mathbb R}^n$ 和 {\mathbb R}$ 中的偏差$b_c \，用于 $c=1，\dots，m$。给定特征向量 $\textbf{x} \in {\mathbb R}^n$，$c$-th 类的分数将是 $\tilde{P} (c |\textbf{x}) = \frac{ e^{\hat{y}^c} }{ \sum_{c' = 1}^m e^{\hat{y}^{c'}} }$，其中 $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$。请注意，$\tilde{P} (c |\textbf{x}) $ 是当特征向量为 $\textbf{x}$ 时观察类 $c$ 的概率。

训练算法详细信息

请参阅 SdcaMulticlassTrainerBase 的文档。

有关使用示例的链接，请查看“另请参阅”部分。

字段

FeatureColumn	训练程序期望的功能列。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	训练程序期望的标签列。可以是 `null`，指示标签不用于训练。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	训练器期望的权重列。可以 `null`，这表示权重不用于训练。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)

属性

Info	使用 IEstimator<TTransformer> 最大枚举多类分类器预测目标。训练的模型 MaximumEntropyModelParameters 生成类的概率。 (继承自 StochasticTrainerBase<TTransformer,TModel>)

方法

Fit(IDataView)	火车并返回一个 ITransformer。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	使用 IEstimator<TTransformer> 最大枚举多类分类器预测目标。训练的模型 MaximumEntropyModelParameters 生成类的概率。 (继承自 TrainerEstimatorBase<TTransformer,TModel>)

扩展方法

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

将“缓存检查点”追加到估算器链。这将确保针对缓存的数据训练下游估算器。在执行多个数据传递的训练器之前，拥有缓存检查点会很有帮助。

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

给定估算器后，返回将调用委托的 Fit(IDataView) 包装对象。估算器通常必须返回有关拟合情况的信息，这就是为什么 Fit(IDataView) 该方法返回特定类型化对象的原因，而不仅仅是常规 ITransformer对象。但是，同时， IEstimator<TTransformer> 通常形成为包含许多对象的管道，因此，我们可能需要通过 EstimatorChain<TLastTransformer> 估算器链生成一系列估算器，以便我们要获取转换器的估算器被埋在此链中的某个位置。对于这种情况，我们可以通过此方法附加调用一次将调用的委托。

适用于

通过