LdSvmTrainer Clase
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria no lineal entrenado con SVM profundo local.
public sealed class LdSvmTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LdSvmModelParameters>,Microsoft.ML.Trainers.LdSvmModelParameters>type LdSvmTrainer = class
inherit TrainerEstimatorBase<BinaryPredictionTransformer<LdSvmModelParameters>, LdSvmModelParameters>Public NotInheritable Class LdSvmTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of LdSvmModelParameters), LdSvmModelParameters)- Herencia
Comentarios
Para crear este instructor, use LdSvm o LdSvm(Options).
Columnas de entrada y salida
Los datos de la columna de etiqueta de entrada deben ser Boolean. Los datos de columna de características de entrada deben ser un vector conocido de Single. Este instructor genera las columnas siguientes:
| Nombre de columna de salida | Tipo de columna | Description |
|---|---|---|
Score |
Single | Puntuación sin enlazar calculada por el modelo. |
PredictedLabel |
Boolean | Etiqueta de predicción, según el signo de la puntuación. Una puntuación negativa se asigna a false y una puntuación positiva se asigna a true. |
Características del entrenador
| Tarea de aprendizaje automático | Clasificación binaria |
| ¿Se requiere normalización? | Yes |
| ¿Se requiere el almacenamiento en caché? | No |
| NuGet necesario además de Microsoft.ML | Ninguno |
| Exportable a ONNX | No |
Detalles del algoritmo de entrenamiento
SVM profundo local (LD-SVM) es una generalización del aprendizaje localizado de varios kernels localizados para SVM no lineal. Varios métodos de kernel aprenden un kernel diferente y, por tanto, un clasificador diferente para cada punto del espacio de características. El costo de tiempo de predicción para varios métodos de kernel puede ser prohibitivo para grandes conjuntos de entrenamiento porque es proporcional al número de vectores de soporte técnico y estos crecen linealmente con el tamaño del conjunto de entrenamiento. LD-SVM reduce el costo de predicción mediante el aprendizaje de una inserción de características locales basada en árboles que es alta dimensional y dispersa, codificando eficazmente no linealidades. Con LD-SVM, el costo de predicción crece logarítmicamente con el tamaño del conjunto de entrenamiento, en lugar de linealmente, con una pérdida tolerable en la precisión de la clasificación.
Local Deep SVM es una implementación del algoritmo descrito en C. Jose, P. Goyal, P. Aggrwal y M. Varma, Aprendizaje de kernel profundo local para predicción eficaz de SVM no lineal, ICML, 2013.
Consulte la sección Ver también para obtener vínculos a ejemplos de uso.
Campos
| Nombre | Description |
|---|---|
| FeatureColumn |
Columna de características que el instructor espera. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Columna de etiqueta que el entrenador espera. Puede ser |
| WeightColumn |
Columna de peso que espera el entrenador. Puede ser |
Propiedades
| Nombre | Description |
|---|---|
| Info |
que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria no lineal entrenado con SVM profundo local. |
Métodos
| Nombre | Description |
|---|---|
| Fit(IDataView) |
Entrena y devuelve un ITransformer. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria no lineal entrenado con SVM profundo local. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
Métodos de extensión
| Nombre | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de nivel inferior se entrenarán con los datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) que se llame. A menudo, es importante que un estimador devuelva información sobre lo que se ha ajustado, por lo que el Fit(IDataView) método devuelve un objeto específicamente tipado, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador está enterrado en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit. |