KMeansTrainer Класс

Определение

Пространство имен:

Microsoft.ML.Trainers

Сборка:

Microsoft.ML.KMeansClustering.dll

Пакет:

Microsoft.ML v3.0.1

Обучение IEstimator<TTransformer> кластеризатора KMeans

public class KMeansTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.ClusteringPredictionTransformer<Microsoft.ML.Trainers.KMeansModelParameters>,Microsoft.ML.Trainers.KMeansModelParameters>

type KMeansTrainer = class
    inherit TrainerEstimatorBase<ClusteringPredictionTransformer<KMeansModelParameters>, KMeansModelParameters>

Public Class KMeansTrainer
Inherits TrainerEstimatorBase(Of ClusteringPredictionTransformer(Of KMeansModelParameters), KMeansModelParameters)

Наследование

Object

TrainerEstimatorBase<ClusteringPredictionTransformer<KMeansModelParameters>,KMeansModelParameters>

KMeansTrainer

Комментарии

Чтобы создать этот тренер, используйте KMeans или Kmeans(Options).

Входные и выходные столбцы

Входные данные столбцов признаков должны быть Single. Столбец меток не нужен. Этот алгоритм обучения выводит следующие столбцы:

Имя выходного столбца	Тип столбца	Описание
Score	Вектор Single	Расстояния заданной точки данных к центроидам всех кластеров.
PredictedLabel	Тип key	Индекс ближайшего кластера, спрогнозированный моделью.

Характеристики тренера

Задача машинного обучения	Кластеризация
Требуется ли нормализация?	Да
Требуется ли кэширование?	Да
Обязательный NuGet в дополнение к Microsoft.ML	Нет
Экспортируемый в ONNX	Да

Сведения о алгоритме обучения

K-средний — это популярный алгоритм кластеризации. При использовании K-средних данные объединяются в указанное количество кластеров, чтобы свести к минимуму сумму квадратного расстояния в пределах кластера. Эта реализация следует методу Yinyang K-средних. Для выбора начальных центроидов кластера можно использовать один из трех вариантов:

• Случайная инициализация. Это может привести к потенциально плохим приближениям оптимальной кластеризации.
• Метод K-средний++. Это улучшенный алгоритм инициализации , представленный здесь Ding et al., который гарантирует поиск решения, которое $O(log K)$ конкурентоспособно к оптимальному решению K-средних.
• K-средний|| Метод. Этот метод был введен здесь Бамани et al., и использует параллельный метод, который резко сокращает количество проходов, необходимых для получения хорошей инициализации.

K-средний|| — это метод инициализации по умолчанию. Другие методы можно указать в параметрах при создании тренера с помощью KMeansTrainer(Options).

Функция оценки

Столбец output Score содержит квадрат расстояния $L_2$-норм (т. е. Евклидового расстояния) заданного входного вектора $\textbf{x}\in \mathbb{R}^n$ к центроиду каждого кластера. Предположим, что центрион кластера $c$-th — $\textbf{m}_c \in \mathbb{R}^n$. Значение $c$-th в столбце Score будет $d_c = || \textbf{x} - \textbf{m}_c || _2^2$. Прогнозируемая метка — это индекс с наименьшим значением в векторе измерения $K$ $[d_{0}, \dots, d_{K-1}]$, где $K$ — это количество кластеров.

Дополнительные сведения о K-средних и K-средних++ см. в разделе :K-среднийK-средний язык++

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Поля

FeatureColumn	Столбец признаков, который ожидает тренер. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	Столбец меток, который ожидает тренер. Может иметь значение null, указывающее, что метка не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Столбец веса, который ожидает тренер. Может быть null, что указывает, что вес не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Свойства

Info	Обучение IEstimator<TTransformer> кластеризатора KMeans

Методы

Fit(IDataView)	Поезда и возвращается ITransformer. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	Обучение IEstimator<TTransformer> кластеризатора KMeans (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Методы расширения

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

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.

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

Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.

См. также раздел

• KMeansTrainer