共用方式為

SdcaMaximumEntropyMulticlassTrainer 類別

  • 參考

定義

命名空間:
Microsoft.ML.Trainers
組件:
Microsoft.ML.StandardTrainers.dll
套件:
Microsoft.ML v3.0.1
套件:
Microsoft.ML v1.0.0
套件:
Microsoft.ML v1.1.0
套件:
Microsoft.ML v1.2.0
套件:
Microsoft.ML v1.3.1
套件:
Microsoft.ML v1.4.0
套件:
Microsoft.ML v1.5.5
套件:
Microsoft.ML v1.6.0
套件:
Microsoft.ML v1.7.0
套件:
Microsoft.ML v2.0.0

， IEstimator<TTransformer> 用來使用最大 Entropy 多類別分類器來預測目標。 定型的模型 MaximumEntropyModelParameters 會產生類別的機率。

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)
繼承
Object
TrainerEstimatorBase<TTransformer,TModel>
StochasticTrainerBase<TTransformer,TModel>
SdcaTrainerBase<SdcaMulticlassTrainerBase<TModel>.MulticlassOptions,MulticlassPredictionTransformer<TModel>,TModel>
SdcaMulticlassTrainerBase<MaximumEntropyModelParameters>
SdcaMaximumEntropyMulticlassTrainer

備註

若要建立此定型器，請使用 SdcaMaximumEntropy 或 SdcaMaximumEntropy (Options) 。

輸入和輸出資料行

輸入標籤資料行資料必須是 索引鍵 類型，特徵資料行必須是 的已知大小向量 Single 。

此定型器會輸出下列資料行：

輸出資料行名稱 資料行類型 描述
Score Single 的向量 所有類別的分數。 較高值表示落入相關聯類別的機率較高。 若第 i 個項目具有最大值，則預測標籤索引將會是 i。 請注意，i 是以零為基礎的索引。
PredictedLabel 索引鍵 類型 預測標籤的索引。 若其值是 i，則實際標籤可能會是索引鍵/值輸入標籤類型中的第 i 個類別。

定型器特性
機器學習工作 多元分類
是否需要正規化？ 是
是否需要快取？ 否
除了 Microsoft.ML 之外，還需要 NuGet 無
可匯出至 ONNX 是

評分函式

這會定型線性模型來解決多元分類問題。 假設類別數目為 $m$，且功能數目為 $n$。 它會為 {\mathbb R}$$ 指派$c$-th 類別係數向量 $\textbf{w}_c \in {\mathbb R}^n$ 和 {\mathbb R}$ 中的偏差 $b_c \，適用于 $c=1，\dots，m$。 假設 {\mathbb R}^n$ 中的特徵向量 $\textbf{x} \，$c$-th 類別的分數會是 $\tilde{P} (c |\textbf{x}) = \frac{ e^{\hat{y}^c} }{ \sum_{c' = 1}^m e^{\hat{y}^{c'}} }$，其中 $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$。 請注意，$\tilde{P} (c |\textbf{x}) $ 是當特徵向量為 $\textbf{x}$ 時，觀察類別$c$ 的機率。

定型演算法詳細資料

請參閱 SdcaMulticlassTrainerBase的檔。

如需使用範例的連結，請參閱另請參閱一節。

欄位

FeatureColumn

定型器預期的功能資料行。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn

定型器預期的標籤資料行。 可以是 null ，表示標籤不會用於定型。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn

定型器預期的加權資料行。 可以是 null ，表示不會使用權數來定型。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

屬性

Info

， IEstimator<TTransformer> 用來使用最大 Entropy 多類別分類器來預測目標。 定型的模型 MaximumEntropyModelParameters 會產生類別的機率。

(繼承來源 StochasticTrainerBase<TTransformer,TModel>)

方法

Fit(IDataView)

定型並傳 ITransformer 回 。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)

， IEstimator<TTransformer> 用來使用最大 Entropy 多類別分類器來預測目標。 定型的模型 MaximumEntropyModelParameters 會產生類別的機率。

(繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

擴充方法

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

將「快取檢查點」附加至估算器鏈結。 這可確保下游估算器會針對快取的資料定型。 在接受多個資料通過的定型器之前，擁有快取檢查點會很有説明。
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

假設有估算器，則會傳回包裝物件，一旦 Fit(IDataView) 呼叫委派即可。 估算器通常必須傳回符合專案的相關資訊，這就是方法 Fit(IDataView) 傳回特定型別物件的原因，而不是只傳回一般 ITransformer 。 不過，同時 IEstimator<TTransformer> ，通常會形成具有許多物件的管線，因此我們可能需要透過 EstimatorChain<TLastTransformer> 建置估算器的鏈結，而我們想要取得轉換器的估算器會在此鏈結的某處被隱藏。 在該案例中，我們可以透過此方法附加呼叫一次將會呼叫的委派。

適用於

另請參閱