SdcaBinaryTrainerBase<TModelParameters> Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
SDCA est un algorithme d’apprentissage général pour les modèles linéaires (généralisés), tels que la machine vectorielle de prise en charge, la régression linéaire, la régression logistique, etc. La famille d’entraîneurs de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et les retours LinearBinaryModelParameters.
(2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>.
où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator.
public abstract class SdcaBinaryTrainerBase<TModelParameters> : Microsoft.ML.Trainers.SdcaTrainerBase<Microsoft.ML.Trainers.SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,Microsoft.ML.Data.BinaryPredictionTransformer<TModelParameters>,TModelParameters> where TModelParameters : classtype 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)Paramètres de type
- TModelParameters
- Héritage
-
SdcaTrainerBase<SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase,BinaryPredictionTransformer<TModelParameters>,TModelParameters>SdcaBinaryTrainerBase<TModelParameters>
- Dérivé
Champs
| Nom | Description |
|---|---|
| FeatureColumn |
Colonne de fonctionnalités attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Colonne d’étiquette attendue par l’entraîneur. Peut être |
| WeightColumn |
Colonne de poids attendue par l’entraîneur. Peut être |
Propriétés
| Nom | Description |
|---|---|
| Info |
SDCA est un algorithme d’apprentissage général pour les modèles linéaires (généralisés), tels que la machine vectorielle de prise en charge, la régression linéaire, la régression logistique, etc. La famille d’entraîneurs de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et les retours LinearBinaryModelParameters.
(2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>.
où |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
SDCA est un algorithme d’apprentissage général pour les modèles linéaires (généralisés), tels que la machine vectorielle de prise en charge, la régression linéaire, la régression logistique, etc. La famille d’entraîneurs de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et les retours LinearBinaryModelParameters.
(2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>.
où |
Méthodes d’extension
| Nom | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
En fonction d’un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets, nous devrons peut-être construire une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |