LdSvmTrainer Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej przeszkolonego za pomocą lokalnego głębokiego wektora nośnego.
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)- Dziedziczenie
Uwagi
Aby utworzyć ten trener, użyj polecenia LdSvm lub LdSvm(Options).
Kolumny wejściowe i wyjściowe
Dane kolumny etykiety wejściowej muszą być Boolean. Dane kolumn funkcji wejściowych muszą być znanym wektorem o rozmiarze Single. Ten trener zwraca następujące kolumny:
| Nazwa kolumny wyjściowej | Typ kolumny | Description |
|---|---|---|
Score |
Single | Niezwiązany wynik obliczony przez model. |
PredictedLabel |
Boolean | Przewidywana etykieta na podstawie znaku wyniku. Wynik ujemny odpowiada false, a wynik dodatni odpowiada true. |
Cechy trenera
| Zadanie uczenia maszynowego | Klasyfikacja binarna |
| Czy normalizacja jest wymagana? | Yes |
| Czy buforowanie jest wymagane? | No |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Żadne |
| Możliwość eksportowania do ONNX | No |
Szczegóły algorytmu trenowania
Local Deep SVM (LD-SVM) to uogólnienie zlokalizowanego uczenia wielu jądra dla nieliniowego svM. Wiele metod jądra uczy się innego jądra, a tym samym innego klasyfikatora dla każdego punktu w przestrzeni funkcji. Koszt czasu przewidywania dla wielu metod jądra może być zbyt kosztowny dla dużych zestawów treningowych, ponieważ jest proporcjonalny do liczby wektorów nośnych, a te rosną liniowo z rozmiarem zestawu treningowego. LD-SVM zmniejsza koszt przewidywania, ucząc się osadzania funkcji lokalnej opartej na drzewie, która jest wysokowymiarowa i rozrzedzona, efektywnie kodując nieliniowe. Przy użyciu LD-SVM koszt przewidywania zwiększa się logarytmicznie z rozmiarem zestawu treningowego, a nie liniowo, z tolerowaną utratą dokładności klasyfikacji.
Local Deep SVM to implementacja algorytmu opisanego w języku C. Jose, P. Goyal, P. Aggrwal i M. Varma, Local Deep Kernel Learning for Efficient Non-linear SVM Prediction, ICML, 2013.
Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.
Pola
| Nazwa | Opis |
|---|---|
| FeatureColumn |
Kolumna funkcji, której oczekuje trener. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Kolumna etykiety oczekiwana przez trenera. Może to być |
| WeightColumn |
Kolumna wagi oczekiwana przez trenera. Może to być |
Właściwości
| Nazwa | Opis |
|---|---|
| Info |
Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej przeszkolonego za pomocą lokalnego głębokiego wektora nośnego. |
Metody
| Nazwa | Opis |
|---|---|
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej przeszkolonego za pomocą lokalnego głębokiego wektora nośnego. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozszerzania
| Nazwa | Opis |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Dołącz punkt kontrolny buforowania do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane z buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólne ITransformer. Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który będzie wywoływany po wywołaniu dopasowania. |