SdcaNonCalibratedMulticlassTrainer 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.
PourIEstimator<TTransformer> prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters entraîné produit des probabilités de classes.
public sealed class SdcaNonCalibratedMulticlassTrainer : Microsoft.ML.Trainers.SdcaMulticlassTrainerBase<Microsoft.ML.Trainers.LinearMulticlassModelParameters>type SdcaNonCalibratedMulticlassTrainer = class
inherit SdcaMulticlassTrainerBase<LinearMulticlassModelParameters>Public NotInheritable Class SdcaNonCalibratedMulticlassTrainer
Inherits SdcaMulticlassTrainerBase(Of LinearMulticlassModelParameters)- Héritage
-
SdcaTrainerBase<SdcaMulticlassTrainerBase<TModel>.MulticlassOptions,MulticlassPredictionTransformer<TModel>,TModel>SdcaNonCalibratedMulticlassTrainer
Remarques
Pour créer ce formateur, utilisez SdcaMaximumEntropy ou SdcaMaximumEntropy(Options).
Colonnes d’entrée et de sortie
Les données de colonne d’étiquette d’entrée doivent être de type clé et la colonne de caractéristique doit être un vecteur de taille connue de Single.
Cet entraîneur génère les colonnes suivantes :
| Nom de la colonne de sortie | Type de colonne | Description |
|---|---|---|
Score |
Vecteur de Single | Scores de toutes les classes. Une valeur supérieure signifie une probabilité plus élevée de tomber dans la classe associée. Si l’i-ième élément a la plus grande valeur, l’index d’étiquette prédit est i. Notez que i est un index de base zéro. |
PredictedLabel |
Type de clé | Index de l’étiquette prédite. Si sa valeur est i, l’étiquette réelle est la i-ième catégorie dans le type d’étiquette d’entrée clé-valeur. |
Caractéristiques de l’entraîneur
| Tâche Machine Learning | Classification multiclasse |
| La normalisation est-elle nécessaire ? | Oui |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | None |
| Exportable vers ONNX | Oui |
Fonction de scoring
Cela entraîne un modèle linéaire pour résoudre les problèmes de classification multiclasse. Supposons que le nombre de classes est $m$ et que le nombre de fonctionnalités est $n$. Il affecte à la classe $c$-th un vecteur de coefficient $\textbf{w}_c \in {\mathbb R}^n$ et un biais $b_c \in {\mathbb R}$, pour $c=1,\dots,m$. Étant donné un vecteur de fonctionnalité $\textbf{x} \in {\mathbb R}^n$, le score de la $c$-th classe serait $\hat{y}^c = \textbf{w}_c^T \textbf{x} + b_c$. Notez que la valeur $c$-th dans la colonne de score de sortie est juste $\hat{y}^c$.
Détails de l’algorithme d’apprentissage
Consultez la documentation de SdcaMulticlassTrainerBase.
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
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 |
PourIEstimator<TTransformer> prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters entraîné produit des probabilités de classes. (Hérité de StochasticTrainerBase<TTransformer,TModel>) |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
PourIEstimator<TTransformer> prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters entraîné produit des probabilités de classes. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
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. |
S’applique à
Voir aussi
- SdcaNonCalibratedMulticlassTrainer.Options
- SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)
- SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)