SdcaBinaryTrainerBase<TModelParameters> Klasa

Definicja

Przestrzeń nazw:: Microsoft.ML.Trainers

Zestaw:: Microsoft.ML.StandardTrainers.dll

Pakiet:: Microsoft.ML v4.0.1

Pakiet:: Microsoft.ML v1.0.0

Pakiet:: Microsoft.ML v1.1.0

Pakiet:: Microsoft.ML v1.2.0

Pakiet:: Microsoft.ML v1.3.1

Pakiet:: Microsoft.ML v1.4.0

Pakiet:: Microsoft.ML v1.5.5

Pakiet:: Microsoft.ML v1.6.0

Pakiet:: Microsoft.ML v1.7.0

Pakiet:: Microsoft.ML v2.0.1

Pakiet:: Microsoft.ML v3.0.1

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

Źródło:: SdcaBinary.cs

Źródło:: SdcaBinary.cs

Źródło:: SdcaBinary.cs

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.

SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorowa obsługi, regresja liniowa, regresja logistyczna itd. Rodzina trenera klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych członków: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje utraty i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie dostarcza dane wyjściowe prawdopodobieństwa, typ tego wygenerowanego modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie TSubModel to LinearBinaryModelParameters i TCalibrator ma wartość 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)

Parametry typu

TModelParameters

Dziedziczenie: Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

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

Pochodne: Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

Pola

Nazwa	Opis
FeatureColumn	Kolumna funkcji, której oczekuje trener. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Kolumna etykiety oczekiwana przez trenera. Może to być `null`wartość , która wskazuje, że etykieta nie jest używana do trenowania. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Kolumna wagi oczekiwana przez trenera. Może to być `null`wartość , która wskazuje, że waga nie jest używana do trenowania. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

Właściwości

Nazwa Opis

Nazwa	Opis
Info	SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorowa obsługi, regresja liniowa, regresja logistyczna itd. Rodzina trenera klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych członków: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje utraty i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie dostarcza dane wyjściowe prawdopodobieństwa, typ tego wygenerowanego modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie `TSubModel` to LinearBinaryModelParameters i `TCalibrator` ma wartość PlattCalibrator.

Info

Metody

Nazwa Opis

Nazwa	Opis
Fit(IDataView)	Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorowa obsługi, regresja liniowa, regresja logistyczna itd. Rodzina trenera klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych członków: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje utraty i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie dostarcza dane wyjściowe prawdopodobieństwa, typ tego wygenerowanego modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie `TSubModel` to LinearBinaryModelParameters i `TCalibrator` ma wartość PlattCalibrator. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

Fit(IDataView)

Trenuje i zwraca wartość ITransformer.

(Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

(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.

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.

Dotyczy