SgdCalibratedTrainer 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.
Metoda IEstimator<TTransformer> do trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową PlattCalibratorfunkcji liniowej do klasy .
public sealed class SgdCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type SgdCalibratedTrainer = class
inherit SgdBinaryTrainerBase<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class SgdCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))- Dziedziczenie
-
LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>SgdCalibratedTrainer
Uwagi
Aby utworzyć tego trenera, użyj sgdCalibrated lub SgdCalibrated(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. |
|
Probability |
Single | Prawdopodobieństwo obliczane przez kalibrowanie wyniku wartości true jako etykiety. Wartość prawdopodobieństwa jest w zakresie [0, 1]. |
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 | Yes |
Szczegóły algorytmu trenowania
Stochastic Gradient Descent (SGD) jest jednym z popularnych procedur optymalizacji stochastycznej, które można zintegrować z kilkoma zadaniami uczenia maszynowego w celu osiągnięcia najnowocześniejszej wydajności. Ten trener implementuje Hogwild Stochastic Gradient Descent do klasyfikacji binarnej, która obsługuje wielowątkowe bez blokowania. Jeśli skojarzony problem optymalizacji jest rozrzedzone, Hogwild Stochastic Gradient Descent osiąga niemal optymalną szybkość zbieżności. Więcej szczegółów na temat spadku gradientu Hogwild Stochastic można znaleźć tutaj.
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 |
Metoda IEstimator<TTransformer> do trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową PlattCalibratorfunkcji liniowej do klasy . (Odziedziczone po SgdBinaryTrainerBase<TModel>) |
Metody
| Nazwa | Opis |
|---|---|
| Fit(IDataView, LinearModelParameters) |
Kontynuuje trenowanie przy użyciu już wytrenowanego SdcaLogisticRegressionBinaryTrainer |
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Metoda IEstimator<TTransformer> do trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową PlattCalibratorfunkcji liniowej do klasy . (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. |