AveragedPerceptronTrainer 類別

定義

命名空間:

Microsoft.ML.Trainers

組件:

Microsoft.ML.StandardTrainers.dll

套件:

Microsoft.ML v3.0.1

， IEstimator<TTransformer> 使用以平均感知器定型的線性二元分類模型來預測目標。

public sealed class AveragedPerceptronTrainer : Microsoft.ML.Trainers.AveragedLinearTrainer<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.LinearBinaryModelParameters>,Microsoft.ML.Trainers.LinearBinaryModelParameters>

type AveragedPerceptronTrainer = class
    inherit AveragedLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>, LinearBinaryModelParameters>

Public NotInheritable Class AveragedPerceptronTrainer
Inherits AveragedLinearTrainer(Of BinaryPredictionTransformer(Of LinearBinaryModelParameters), LinearBinaryModelParameters)

繼承

Object

TrainerEstimatorBase<TTransformer,TModel>

OnlineLinearTrainer<TTransformer,TModel>

AveragedLinearTrainer<BinaryPredictionTransformer<LinearBinaryModelParameters>,LinearBinaryModelParameters>

AveragedPerceptronTrainer

備註

若要建立此定型器，請使用 AveragedPerceptron 或 AveragedPerceptron (Options) 。

輸入和輸出資料行

輸入標籤資料行資料必須是 Boolean。 輸入特徵資料行資料必須是 的已知大小向量 Single 。 此定型器會輸出下列資料行：

輸出資料行名稱	資料行類型	描述
Score	Single	模型所計算的未系結分數。
PredictedLabel	Boolean	預測標籤 (根據分數的正負號)。 負值分數會對應到 false，正值分數則會對應到 true。

定型器特性

機器學習工作	二元分類
是否需要正規化？	是
是否需要快取？	否
除了 Microsoft.ML 之外，還需要 NuGet	無
可匯出至 ONNX	是

定型演算法詳細資料

感知器是一種分類演算法，可藉由尋找分隔超平面來進行其預測。 例如，使用特徵值 $f_0，f_1,..., f_{D-1}$，藉由判中斷點落在超平面的哪一端來提供預測。 這與 feautures 加權總和的正負號相同，也就是 $\sum_{i = 0}^{D-1} (w_i * f_i) + b$，其中 $w_0，w_1,..., w_{D-1}$ 是演算法所計算的加權，$b$ 是演算法所計算的偏差。

Perceptron 是線上演算法，這表示它會一次處理一個定型集中的實例。 其開頭為一組初始權數， (零、隨機或從先前的學習模組初始化) 。 然後，針對定型集中的每個範例，會計算特徵的加權總和。 如果這個值與目前範例的標籤具有相同的符號，則權數會維持不變。 如果它們有相反的徵兆，則如果標籤是正數或負數，則權數向量會藉由相加或減 (來更新，分別) 目前範例的特徵向量乘以因數 0 < a = < 1，稱為學習速率。 在此演算法的一般化中，會藉由新增特徵向量乘以學習速率，以及上述特定案例中的某些遺失函式漸層 (，而損失是轉軸損失，其漸層為 1，當非零) 時，其漸層為 1。

在 Averaged Perceptron (也稱為 voted-perceptron) 中，針對每個反復專案，也就是通過定型資料，會計算加權向量，如上所述。 然後，最後的預測會藉由平均每個加權向量的加權總和，並查看結果的正負號來計算。

如需詳細資訊，請參閱使用 Perceptron 演算法的 Perceptron 或大型邊界分類的維琪百科專案。

如需使用範例的連結，請參閱另請參閱一節。

欄位

FeatureColumn	定型器預期的功能資料行。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
LabelColumn	定型器預期的標籤資料行。 可以是 null ，表示標籤不會用於定型。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	定型器預期的加權資料行。 可以是 null ，表示不會使用權數來定型。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

屬性

Info	， IEstimator<TTransformer> 使用以平均感知器定型的線性二元分類模型來預測目標。 (繼承來源 OnlineLinearTrainer<TTransformer,TModel>)

方法

Fit(IDataView)	定型並傳 ITransformer 回 。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	使用已定 modelParameters 型的 OnlineLinearTrainer<TTransformer,TModel> 繼續訓練 ，並傳 ITransformer 回 。 (繼承來源 OnlineLinearTrainer<TTransformer,TModel>)
GetOutputSchema(SchemaShape)	， IEstimator<TTransformer> 使用以平均感知器定型的線性二元分類模型來預測目標。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)

擴充方法

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)	將「快取檢查點」附加至估算器鏈結。 這可確保下游估算器會針對快取的資料定型。 在接受多個資料通過的定型器之前，擁有快取檢查點會很有説明。
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)	假設有估算器，則會傳回包裝物件，一旦 Fit(IDataView) 呼叫委派即可。 估算器通常必須傳回符合專案的相關資訊，這就是方法 Fit(IDataView) 傳回特定型別物件的原因，而不是只傳回一般 ITransformer 。 不過，同時 IEstimator<TTransformer> ，通常會形成具有許多物件的管線，因此我們可能需要透過 EstimatorChain<TLastTransformer> 建置估算器的鏈結，而我們想要取得轉換器的估算器會在此鏈結的某處被隱藏。 在該案例中，我們可以透過此方法附加呼叫一次將會呼叫的委派。

另請參閱

• AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)
• AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)
• AveragedPerceptronTrainer.Options