SdcaBinaryTrainerBase<TModelParameters> Klasse

Definition

Namespace:: Microsoft.ML.Trainers

Assembly:: Microsoft.ML.StandardTrainers.dll

Paket:: Microsoft.ML v4.0.1

Paket:: Microsoft.ML v1.0.0

Paket:: Microsoft.ML v1.1.0

Paket:: Microsoft.ML v1.2.0

Paket:: Microsoft.ML v1.3.1

Paket:: Microsoft.ML v1.4.0

Paket:: Microsoft.ML v1.5.5

Paket:: Microsoft.ML v1.6.0

Paket:: Microsoft.ML v1.7.0

Paket:: Microsoft.ML v2.0.1

Paket:: Microsoft.ML v3.0.1

Paket:: Microsoft.ML v5.0.0-preview.1.25125.4

Quelle:: SdcaBinary.cs

Quelle:: SdcaBinary.cs

Quelle:: SdcaBinary.cs

Wichtig

Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.

SDCA ist ein allgemeiner Schulungsalgorithmus für (generalisierte) lineare Modelle wie Unterstützungsvektormaschine, lineare Regression, logistische Regression usw. SDCA binary classification trainer family enthält mehrere versiegelte Member: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und Rückgaben LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres Logistisches Regressionsmodell. Da die logistische Regression natürlich eine Wahrscheinlichkeitsausgabe liefert, ist CalibratedModelParametersBase<TSubModel,TCalibrator>der Typ dieses generierten Modells . wo TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator.

public abstract class SdcaBinaryTrainerBase<TModelParameters> : Microsoft.ML.Trainers.SdcaTrainerBase<Microsoft.ML.Trainers.SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,Microsoft.ML.Data.BinaryPredictionTransformer<TModelParameters>,TModelParameters> where TModelParameters : class

type SdcaBinaryTrainerBase<'ModelParameters (requires 'ModelParameters : null)> = class
    inherit SdcaTrainerBase<SdcaBinaryTrainerBase<'ModelParameters>.BinaryOptionsBase, BinaryPredictionTransformer<'ModelParameters>, 'ModelParameters (requires 'ModelParameters : null)>

Public MustInherit Class SdcaBinaryTrainerBase(Of TModelParameters)
Inherits SdcaTrainerBase(Of SdcaBinaryTrainerBase(Of TModelParameters).BinaryOptionsBase, BinaryPredictionTransformer(Of TModelParameters), TModelParameters)

Typparameter

TModelParameters

Vererbung: Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

SdcaTrainerBase<SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,BinaryPredictionTransformer<TModelParameters>,TModelParameters>
SdcaBinaryTrainerBase<TModelParameters>

Abgeleitet: Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

Felder

Name	Beschreibung
FeatureColumn	Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Die Bezeichnungsspalte, die der Trainer erwartet. Dies kann sein `null`, was angibt, dass die Bezeichnung nicht für schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtsspalte, die der Trainer erwartet. Dies kann sein `null`, was angibt, dass das Gewicht nicht für das Training verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Name Beschreibung

Name	Beschreibung
Info	SDCA ist ein allgemeiner Schulungsalgorithmus für (generalisierte) lineare Modelle wie Unterstützungsvektormaschine, lineare Regression, logistische Regression usw. SDCA binary classification trainer family enthält mehrere versiegelte Member: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und Rückgaben LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres Logistisches Regressionsmodell. Da die logistische Regression natürlich eine Wahrscheinlichkeitsausgabe liefert, ist CalibratedModelParametersBase<TSubModel,TCalibrator>der Typ dieses generierten Modells . wo `TSubModel` ist LinearBinaryModelParameters und `TCalibrator` ist PlattCalibrator.

Info

Methoden

Name Beschreibung

Name	Beschreibung
Fit(IDataView)	Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	SDCA ist ein allgemeiner Schulungsalgorithmus für (generalisierte) lineare Modelle wie Unterstützungsvektormaschine, lineare Regression, logistische Regression usw. SDCA binary classification trainer family enthält mehrere versiegelte Member: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und Rückgaben LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres Logistisches Regressionsmodell. Da die logistische Regression natürlich eine Wahrscheinlichkeitsausgabe liefert, ist CalibratedModelParametersBase<TSubModel,TCalibrator>der Typ dieses generierten Modells . wo `TSubModel` ist LinearBinaryModelParameters und `TCalibrator` ist PlattCalibrator. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Fit(IDataView)

Züge und Gibt einen ITransformer.

(Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

(Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Erweiterungsmethoden

Name	Beschreibung
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird.

Name

Beschreibung

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

Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.

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

Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird.

Gilt für: