NormalizingEstimator Classe

Definição

public sealed class NormalizingEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.NormalizingTransformer>

type NormalizingEstimator = class
    interface IEstimator<NormalizingTransformer>

Public NotInheritable Class NormalizingEstimator
Implements IEstimator(Of NormalizingTransformer)

Herança

Object

NormalizingEstimator

Implementações

IEstimator<NormalizingTransformer>

Comentários

Características do avaliador

O NormalizingEstimator resultante normalizará os dados de uma das seguintes maneiras com base em como eles foram criados:

• Min Max – um redimensionamento linear baseado nos valores mínimo e máximo para cada linha.
• Variação média – redimensionar cada linha para variação de unidade e, opcionalmente, zero média.
• Variação média do log – redimensionar cada linha para variação de unidade, opcionalmente, zero média com base em cálculos na escala de log.
• Binning – Bucketiza os dados em cada linha e executa um redimensionamento linear com base nas lixeiras calculadas.
• Binning supervisionado – Bucketize os dados em cada linha e execute como um redimensionamento linear com base nas lixeiras calculadas. O cálculo do compartimento baseia-se na correlação da coluna Rótulo.
• Dimensionamento robusto – opcionalmente, centraliza os dados e dimensiona com base no intervalo de dados e nos valores mínimos e máximos do quantile fornecidos. Esse método é mais robusto para exceções.

Detalhes do avaliador

O intervalo dos dados normalizados depende se fixZero é especificado ou não. o padrão fixZero é true. Quando fixZero é falso, o intervalo normalizado é $[0,1]$ e a distribuição dos valores normalizados depende do modo de normalização. Por exemplo, com Min Max, os valores mínimo e máximo são mapeados para 0 e 1, respectivamente, e os valores restantes ficam entre eles. Quando fixZero é definido, o intervalo normalizado é $[-1,1]$ com a distribuição dos valores normalizados dependendo do modo de normalização, mas o comportamento é diferente. Com Min Max, a distribuição depende de quão longe o número está de 0, resultando no número com a maior distância sendo mapeada para 1 se for um número positivo ou -1 se for um número negativo. A distância de 0 afetará a distribuição com a maioria dos números mais próximos, normalizando para 0. O dimensionamento robusto não usa fixZero e seus valores não são restritos a $[0,1]$ ou $[-1,1]$. Seu dimensionamento é baseado no intervalo dos dados e no quantile min e max fornecidos.

A equação para a saída $y$ de aplicar variação média e variação média de log na entrada $x$ sem usar a opção CDF é: $y = (x - \text{offset}) \text{scale}$. Onde deslocamento e escala são computados durante o treinamento.

Usando a opção CDF é: $y = 0,5 * (1 + \text{ERF}((x - \text{mean}) / (\text{standard deviation} * sqrt(2)))$. Onde ERF é a Função de Erro usada para aproximar o CDF de uma variável aleatória assumida como distribuída normalmente. A média e o desvio padrão são computados durante o treinamento.

Para criar esse avaliador, use um dos seguintes:

• [NormalizeMinMax](xref:Microsoft.ML.NormalizationCatalog.NormalizeMinMax(Microsoft.ML.TransformsCatalog, System.String, System.String, System.Int64, System.Boolean))
• NormalizeMeanVariance
• NormalizeLogMeanVariance
• NormalizeBinning
• NormalizeSupervisedBinning
• NormalizeRobustScaling

Verifique os links acima para obter exemplos de uso.