SgdCalibratedTrainer Klasse

Definition

Namespace:

Microsoft.ML.Trainers

Assembly:

Microsoft.ML.StandardTrainers.dll

Paket:

Microsoft.ML v3.0.1

Die IEstimator<TTransformer> für schulungende logistikische Regression mit einer parallelen stochastischen Farbverlaufsmethode. Das trainierte Modell wird kalibriert und kann Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion zu einer PlattCalibrator.

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))

Vererbung

Object

TrainerEstimatorBase<TTransformer,TModel>

LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>

SgdBinaryTrainerBase<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SgdCalibratedTrainer

Hinweise

Um diesen Trainer zu erstellen, verwenden Sie SgdCalibrated oder SgdCalibrated(Options).

Eingabe- und Ausgabespalten

Die Daten in der Spalte für die Eingabezeichnung müssen Boolean sein. Die Eingabefeatures-Spaltendaten müssen ein bekannter Vektor von Single.

Der Trainer gibt folgende Spalten aus:

Name der Ausgabespalte	Spaltentyp	BESCHREIBUNG
Score	Single	Die von dem Modell berechnete ungebundene Bewertung.
PredictedLabel	Boolean	Der vorhergesagte Bezeichnung, basierend auf dem Abzeichnen der Bewertung. Eine negative Bewertung wird false und eine positive Bewertung wird true zugeordnet.
Probability	Single	Die Wahrscheinlichkeit, die durch die Kalibrierung der Bewertung des True-Werts als Bezeichnung berechnet wird. Der Wahrscheinlichkeitswert befindet sich im Bereich [0, 1].

Trainereigenschaften

ML-Aufgabe	Binäre Klassifizierung
Ist die Normalisierung erforderlich?	Yes
Ist zwischenspeichern erforderlich?	No
Erforderliche NuGet zusätzlich zu Microsoft.ML	Keine
Exportierbar in ONNX	Yes

Schulungsalgorithmusdetails

Der Stochastische Farbverlaufsabstieg (SGD) ist eine der beliebten stochastischen Optimierungsverfahren, die in mehrere maschinelle Lernaufgaben integriert werden können, um eine state-of-the-art-Performance zu erreichen. Dieser Trainer implementiert das Hogwild Stochastic Gradient Descent für binäre Klassifizierungen, die multithreading ohne Sperrung unterstützt. Wenn das zugehörige Optimierungsproblem sparse ist, erreicht Hogwild Stochastic Gradient Descent eine nahezu optimale Konvergenzrate. Weitere Details zu Hogwild Stochastic Gradient Descent finden Sie hier.

Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Beispielen der Verwendung zu finden.

Felder

FeatureColumn	Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Die Bezeichnungsspalte, die der Trainer erwartet. Kann sein null, was angibt, dass die Bezeichnung nicht für Schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtsspalte, die der Trainer erwartet. nullKann sein, was angibt, dass das Gewicht nicht für die Schulung verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Info

Die IEstimator<TTransformer> für schulungende logistikische Regression mit einer parallelen stochastischen Farbverlaufsmethode. Das trainierte Modell wird kalibriert und kann Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion zu einer PlattCalibrator. (Geerbt von SgdBinaryTrainerBase<TModel>)

Methoden

Fit(IDataView)	Züge und zurückgeben eine ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Führt die Schulung einer SdcaLogisticRegressionBinaryTrainer bereits trainierten modelParameters Und gibt eine Microsoft.ML.Data.BinaryPredictionTransformer. (Geerbt von SgdBinaryTrainerBase<TModel>)
GetOutputSchema(SchemaShape)	Die IEstimator<TTransformer> für schulungende logistikische Regression mit einer parallelen stochastischen Farbverlaufsmethode. Das trainierte Modell wird kalibriert und kann Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion zu einer PlattCalibrator. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Erweiterungsmethoden

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

Fügen Sie einen "Zwischenspeicherpunkt" an die Stimatorkette an. Dadurch wird sichergestellt, dass die nachgelagerten Stimatoren gegen zwischengespeicherte Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt zu haben, bevor Trainer, die mehrere Daten übergeben.

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

Geben Sie aufgrund einer Schätzung ein Umbruchobjekt zurück, das einen Stellvertretung aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist oft wichtig, dass eine Schätzung Informationen zu dem zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein spezifisches typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformer. Gleichzeitig IEstimator<TTransformer> werden jedoch oft Pipelines mit vielen Objekten gebildet, sodass wir möglicherweise eine Kette von EstimatorChain<TLastTransformer> Schätzern erstellen müssen, über die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die einmal aufgerufen wird, wenn die Anpassung aufgerufen wird.

Weitere Informationen

• SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)
• SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)
• SgdCalibratedTrainer.Options