SgdNonCalibratedTrainer Klasse

Referenz

Definition

Namespace:: Microsoft.ML.Trainers

Assembly:: Microsoft.ML.StandardTrainers.dll

Paket:: Microsoft.ML v3.0.1

Paket:: Microsoft.ML v1.0.0

Paket:: Microsoft.ML v1.1.0

Paket:: Microsoft.ML v1.2.0

Paket:: Microsoft.ML v1.3.1

Paket:: Microsoft.ML v1.4.0

Paket:: Microsoft.ML v1.5.5

Paket:: Microsoft.ML v1.6.0

Paket:: Microsoft.ML v1.7.0

Paket:: Microsoft.ML v2.0.0

Wichtig

Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.

Die IEstimator<TTransformer> für die Schulung der logistischen Regression mit einer parallelen stochastischen Farbverlaufsmethode.

public sealed class SgdNonCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Trainers.LinearBinaryModelParameters>

type SgdNonCalibratedTrainer = class
    inherit SgdBinaryTrainerBase<LinearBinaryModelParameters>

Public NotInheritable Class SgdNonCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of LinearBinaryModelParameters)

Vererbung: Object

TrainerEstimatorBase<TTransformer,TModel>

LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>

SgdBinaryTrainerBase<LinearBinaryModelParameters>
SgdNonCalibratedTrainer

Hinweise

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

Eingabe- und Ausgabespalten

Die Daten in der Spalte für die Eingabezeichnung müssen Boolean sein. Die Spaltendaten der Eingabefeatures müssen ein bekannter Vektor sein Single. Der Trainer gibt folgende Spalten aus:

Name der Ausgabespalte	Spaltentyp	BESCHREIBUNG
`Score`	Single	Die ungebundene Bewertung, die vom Modell berechnet wurde.
`PredictedLabel`	Boolean	Der vorhergesagte Bezeichnung, basierend auf dem Abzeichnen der Bewertung. Eine negative Bewertung wird `false` und eine positive Bewertung wird `true` zugeordnet.

Trainereigenschaften


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

Details des Schulungsalgorithmus

Der Stochastic Gradient Descent (SGD) ist eine der beliebten stochastischen Optimierungsverfahren, die in mehrere maschinelle Lernaufgaben integriert werden können, um modernste Leistung zu erzielen. Dieser Trainer implementiert den Hogwild Stochastic Gradient Descent für binäre Klassifizierung, die Multithreading ohne Sperrung unterstützt. Wenn das damit verbundene Optimierungsproblem gering 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 für die Verwendung zu finden.

Felder

FeatureColumn	Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Die Beschriftungsspalte, die der Trainer erwartet. Kann sein `null`, was angibt, dass bezeichnung nicht für Schulungen verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Die Gewichtungsspalte, die der Trainer erwartet. Kann sein `null`, was angibt, dass Gewicht nicht für die Schulung verwendet wird. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Eigenschaften

Info	Die IEstimator<TTransformer> für die Schulung der logistischen Regression mit einer parallelen stochastischen Farbverlaufsmethode. (Geerbt von SgdBinaryTrainerBase<TModel>)

Methoden

Fit(IDataView)	Züge und gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	Setzt die Schulung einer SdcaLogisticRegressionBinaryTrainer bereits trainierten `modelParameters` Und gibt eine Microsoft.ML.Data.BinaryPredictionTransformer. (Geerbt von SgdBinaryTrainerBase<TModel>)
GetOutputSchema(SchemaShape)	Die IEstimator<TTransformer> für die Schulung der logistischen Regression mit einer parallelen stochastischen Farbverlaufsmethode. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>)

Erweiterungsmethoden

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

Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.

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

Wenn sie eine Schätzung erhalten, geben Sie ein Umbruchobjekt zurück, das einen Delegaten aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen darüber zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformerObjekt zurückzugeben. IEstimator<TTransformer> Gleichzeitig werden jedoch häufig Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern erstellen, über EstimatorChain<TLastTransformer> 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 aufgerufen wird, sobald sie aufgerufen wird.

Gilt für: