共用方式為

重要詞彙的機器學習詞彙

  • 發行項

下列清單是重要機器學習詞彙的編譯，當您在 ML.NET 中建置自定義模型時很有用。

準確性

在 分類中，精確度是正確分類專案的數目除以測試集中的項目總數。 範圍從 0 （最不精確） 到 1 （最準確）。 精確度是模型效能的評估計量之一。 請考慮它搭配 精確度、召回，以及 F 分數。

曲線下的區域（AUC）

在 二元分類中，評估計量是曲線下區域的值，根據誤判率（在 x 軸上）繪製真判率（在 y 軸上）。 範圍從0.5（最差）到1（最佳）。 也稱為 ROC 曲線下的區域，也就是接收者操作特性曲線。 如需詳細資訊，請參閱維琪百科 接收者作業特性一文。

二元分類

分類 案例，其中 標籤 只有兩個類別中的一個。 如需詳細資訊，請參閱 機器學習工作 主題的 二元分類 一節。

校準

校正是將原始分數對應至類別成員資格的程式，適用於二進位和多類別分類。 有些 ML.NET 教練有 NonCalibrated 後綴。 這些演算法會產生原始分數，然後必須對應至類別機率。

目錄

在 ML.NET 中，目錄是擴充函式的集合，依一般用途分組。

例如，每個機器學習工作（二元分類、回歸、排名等）都有可用的機器學習演算法目錄（定型器）。 二元分類定型器目錄為：BinaryClassificationCatalog.BinaryClassificationTrainers。

分類

當數據用來預測類別時，監督式機器學習 工作稱為分類。 二元分類 是指只預測兩個類別（例如，將影像分類為「貓」或「狗」的圖片）。 多類別分類 是指預測多個類別（例如，將影像分類為特定狗種圖片時）。

判斷係數

在 回歸中，評估計量表示數據如何符合模型。 範圍從 0 到 1。 值為 0 表示數據是隨機的，否則無法符合模型。 值為 1 表示模型完全符合數據。 這通常稱為 r2、R2或 r 平方。

數據

數據是任何機器學習應用程式的核心。 ML.NET 數據是由 IDataView 物件表示。 資料檢視物件：

  • 由數據行和數據列組成
  • 會延遲評估，也就是說，只有在作業呼叫數據時才會載入數據
  • 包含定義每個數據行類型、格式和長度的架構

估計

實作 IEstimator<TTransformer> 介面之 ML.NET 中的類別。

估算器是轉換的規格（數據準備轉換和機器學習模型定型轉換）。 估算器可以鏈結至轉換管線。 呼叫 Fit 時，會瞭解估算器或估算器管線的參數。 Fit 的結果為 Transformer。

擴充方法

屬於類別的 .NET 方法，但定義於 類別外部。 擴充方法的第一個參數是擴充方法所屬類別的靜態 this 參考。

擴充方法在 ML.NET 中廣泛使用，以建構 估算器的實例，。

特徵

測量之現象的可測量屬性，通常是數值（雙精度浮點數）。 多個功能稱為 特徵向量，通常儲存為 double[]。 特徵定義了測量現象的重要特性。 如需詳細資訊，請參閱維琪百科 功能 文章。

特徵工程

特徵工程是一種程式，涉及定義一組 功能， 並開發軟體，從可用的現象數據產生特徵向量，也就是特徵擷取。 如需詳細資訊，請參閱維琪百科 功能工程 一文。

F 分數

在 分類中，評估計量會平衡 精確度 和 召回。

超參數

機器學習演算法的參數。 範例包括判定樹系中要學習的樹狀結構數目，或漸層下降演算法中的步驟大小。 超參數的值是在定型模型之前設定，並控管尋找預測函式參數的程式，例如判定樹中的比較點或線性回歸模型中的權數。 如需詳細資訊，請參閱維琪百科 超參數 一文。

標籤

要透過機器學習模型預測的專案。 例如，狗的品種或未來的股價。

記錄遺失

在 分類中，評估計量會描述分類器的正確性。 較小的記錄遺失是，分類器越精確。

Loss 函式

遺失函式是定型標籤與模型所做的預測之間的差異。 模型的參數會透過最小化損失函式來估計。

不同的定型器可以設定不同的損失函式。

平均絕對誤差 （MAE）

在 回歸中，評估計量是所有模型錯誤的平均值，其中模型錯誤是預測 標籤 值與正確卷標值之間的距離。

型

傳統上，預測函式的參數。 例如，線性回歸模型中的權數或判定樹中的分割點。 在 ML.NET 中，模型包含預測領域物件 標籤所需的所有資訊（例如影像或文字）。 這表示 ML.NET 模型包含必要的特徵化步驟，以及預測函式的參數。

多元分類

分類 案例，其中 標籤 是三個以上的類別之一。 如需詳細資訊，請參閱 機器學習工作 主題 多類別分類 一節。

N-gram

文字數據的特徵擷取配置：任何 N 個字序列會變成 特徵 值。

正常化

正規化是將浮點數據調整為介於 0 到 1 之間的值的程式。 ML.NET 中使用的許多定型演算法都需要正規化輸入特徵數據。 ML.NET 提供一系列用於正規化 轉換

數值特徵向量

特徵 只包含數值的向量。 這類似於 double[]。

管道

符合數據集模型所需的所有作業。 管線包含數據匯入、轉換、特徵化和學習步驟。 一旦定型管線，它就會變成模型。

精度

在 分類中，類別的有效位數是正確預測為屬於該類別的項目數，除以屬於類別的項目總數。

召回

在 分類中，類別的召回率是正確預測為屬於該類別的項目數目，除以實際屬於 類別的項目總數。

正規化

正規化會懲罰線性模型太複雜。 正規化有兩種類型：

  • $L_1$ 正規化為微不足道特徵的權數為零。 在這種類型的正規化之後，儲存模型的大小可能會變小。
  • $L_2$ 正規化可將微不足道特徵的權數範圍降到最低。 這是較一般的程式，對極端值較不敏感。

回歸

受監督的機器學習 工作，其中輸出是實際值，例如 double。 範例包括預測股價。 如需詳細資訊，請參閱 機器學習工作 主題 回歸 一節。

相對絕對誤差

在 回歸中，評估計量是所有絕對誤差的總和除以正確 標籤 值與所有正確卷標值的平均值之間的距離總和。

相對平方誤差

在 回歸中，評估計量是所有平方絕對誤差的總和除以正確 標籤 值與所有正確卷標值的平均值之間的平方距離總和。

平均平方誤差的根目錄 （RMSE）

在 回歸中，評估計量是誤差平方平均值的平方根。

得分

評分是將新數據套用至定型機器學習模型及產生預測的程式。 評分也稱為推斷。 視模型類型而定，分數可以是原始值、機率或類別。

受監督的機器學習

機器學習的子類別，其中所需的模型會預測尚未看到數據的標籤。 範例包括分類、回歸和結構化預測。 如需詳細資訊，請參閱維琪百科 監督式學習一文。

訓練

識別指定定型數據集 模型的程式。 對於線性模型，這表示尋找權數。 對於樹狀結構，它牽涉到識別分割點。

變壓器

實作 ITransformer 介面的 ML.NET 類別。

轉換器會將一個 IDataView 轉換成另一個。 轉換程式是透過定型 估算器或估算器管線所建立。

非監督式機器學習

機器學習的子類別，其中所需的模型會在數據中尋找隱藏的（或潛在）結構。 範例包括叢集、主題模型化和減少維度。 如需詳細資訊，請參閱維琪百科 非監督式學習 文章。