SdcaBinaryTrainerBase<TModelParameters> Třída

Definice

Obor názvů:

Microsoft.ML.Trainers

Sestavení:

Microsoft.ML.StandardTrainers.dll

Balíček:

Microsoft.ML v3.0.1

SDCA je obecný trénovací algoritmus pro (generalizované) lineární modely, jako je podpůrný vektorový stroj, lineární regrese, logistická regrese atd. Řada trenérů binární klasifikace SDCA zahrnuje několik zapečetěných členů: (1) SdcaNonCalibratedBinaryTrainer podporuje obecné funkce ztráty a vrací LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer v podstatě trénuje regulární logistický regresní model. Vzhledem k tomu, že logistická regrese přirozeně poskytuje výstup pravděpodobnosti, je CalibratedModelParametersBase<TSubModel,TCalibrator>tento vygenerovaný typ modelu . kde TSubModel je LinearBinaryModelParameters a TCalibrator je 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

Dědičnost

Object

TrainerEstimatorBase<TTransformer,TModel>

StochasticTrainerBase<TTransformer,TModel>

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

SdcaBinaryTrainerBase<TModelParameters>

Odvozené

Microsoft.ML.Trainers.SdcaLogisticRegressionBinaryTrainer

Microsoft.ML.Trainers.SdcaNonCalibratedBinaryTrainer

Pole

FeatureColumn	Sloupec funkcí, který trenér očekává. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Sloupec popisku, který trenér očekává. Může to být null, což označuje, že popisek se nepoužívá pro trénování. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Sloupec hmotnosti, který trenér očekává. Může být null, což značí, že váha se nepoužívá pro trénování. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Vlastnosti

Info

SDCA je obecný trénovací algoritmus pro (generalizované) lineární modely, jako je podpůrný vektorový stroj, lineární regrese, logistická regrese atd. Řada trenérů binární klasifikace SDCA zahrnuje několik zapečetěných členů: (1) SdcaNonCalibratedBinaryTrainer podporuje obecné funkce ztráty a vrací LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer v podstatě trénuje regulární logistický regresní model. Vzhledem k tomu, že logistická regrese přirozeně poskytuje výstup pravděpodobnosti, je CalibratedModelParametersBase<TSubModel,TCalibrator>tento vygenerovaný typ modelu . kde TSubModel je LinearBinaryModelParameters a TCalibrator je PlattCalibrator.

Metody

Fit(IDataView)

Vlaky a vrátí ITransformerhodnotu . (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

GetOutputSchema(SchemaShape)

SDCA je obecný trénovací algoritmus pro (generalizované) lineární modely, jako je podpůrný vektorový stroj, lineární regrese, logistická regrese atd. Řada trenérů binární klasifikace SDCA zahrnuje několik zapečetěných členů: (1) SdcaNonCalibratedBinaryTrainer podporuje obecné funkce ztráty a vrací LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer v podstatě trénuje regulární logistický regresní model. Vzhledem k tomu, že logistická regrese přirozeně poskytuje výstup pravděpodobnosti, je CalibratedModelParametersBase<TSubModel,TCalibrator>tento vygenerovaný typ modelu . kde TSubModel je LinearBinaryModelParameters a TCalibrator je PlattCalibrator. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Metody rozšíření

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Připojte k řetězci odhadu kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby se podřízené estimátory natrénovaly na data uložená v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Pokud získáte odhadátor, vraťte obtékání objektu, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně zadaný objekt, a ne jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadovačů prostřednictvím EstimatorChain<TLastTransformer> toho, kde je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, uložen někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po volání fit.