SgdNonCalibratedTrainer 类
定义
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。
IEstimator<TTransformer>用于使用并行随机渐变方法训练逻辑回归。
public sealed class SgdNonCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Trainers.LinearBinaryModelParameters>type SgdNonCalibratedTrainer = class
inherit SgdBinaryTrainerBase<LinearBinaryModelParameters>Public NotInheritable Class SgdNonCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of LinearBinaryModelParameters)- 继承
-
LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>SgdNonCalibratedTrainer
注解
若要创建此训练程序，请使用) (Options (的ZnsnonCalibrated 或 SgdNonCalibrated。
输入和输出列
输入标签列数据必须为 Boolean。 输入特征列数据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 | 说明 |
|---|---|---|
Score |
Single | 模型计算的未绑定分数。 |
PredictedLabel |
Boolean | 预测的标签，基于分数符号。 负分数映射到 false，正分数映射到 true。 |
训练器特征
| 机器学习任务 | 二元分类 |
| 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 |
训练算法详细信息
随机梯度下降 () 是常用的随机优化过程之一，可以集成到多个机器学习任务中，以实现最先进的性能。 此训练器为二元分类实现 Hogwild 随机梯度下降，该分类支持多线程处理，而无需任何锁定。 如果相关的优化问题稀疏，Hogwild 随机梯度下降可实现接近最佳收敛率。 有关霍格维尔德随机梯度下降的更多详细信息，可 在此处找到。
有关用法示例的链接，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 |
| WeightColumn |
训练器期望的权重列。 可以 |
属性
| Info |
IEstimator<TTransformer>用于使用并行随机渐变方法训练逻辑回归。 (继承自 SgdBinaryTrainerBase<TModel>) |
方法
| Fit(IDataView, LinearModelParameters) |
SdcaLogisticRegressionBinaryTrainer继续使用已训练 |
| Fit(IDataView) |
火车并返回一个 ITransformer。 (继承自 TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer>用于使用并行随机渐变方法训练逻辑回归。 (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。 |