SymbolicSgdLogisticRegressionBinaryTrainer 類別

定義

命名空間:

Microsoft.ML.Trainers

組件:

Microsoft.ML.Mkl.Components.dll

套件:

Microsoft.ML.Mkl.Components v3.0.1

， IEstimator<TTransformer> 使用以符號隨機梯度下降定型的線性二元分類模型來預測目標。

public sealed class SymbolicSgdLogisticRegressionBinaryTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.LinearBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>

type SymbolicSgdLogisticRegressionBinaryTrainer = class
    inherit TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<LinearBinaryModelParameters, PlattCalibrator>>

Public NotInheritable Class SymbolicSgdLogisticRegressionBinaryTrainer
Inherits TrainerEstimatorBase(Of BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of LinearBinaryModelParameters, PlattCalibrator))

繼承

Object

TrainerEstimatorBase<BinaryPredictionTransformer<CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>,CalibratedModelParametersBase<LinearBinaryModelParameters,PlattCalibrator>>

SymbolicSgdLogisticRegressionBinaryTrainer

備註

若要建立此定型器，請使用 SymbolicStochasticGradientDescent 或 SymbolicStochasticGradientDescent (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。
Probability	Single	藉由校正具有 true 作為標籤的分數來計算的機率。 機率值的範圍為 [0， 1]。

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	Microsoft.ML.Mkl.Components
可匯出至 ONNX	是

定型演算法詳細資料

符號隨機梯度下降是一種演算法，可藉由尋找分隔超平面來進行預測。 例如，使用功能值 $f 0，f1,..., f_{D-1}$，藉由判中斷點落在超平面的哪一端來提供預測。 這與特徵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。

雖然大部分的符號隨機梯度下降演算法原本都是循序的- 在每個步驟中，目前範例的處理取決於先前範例中學到的參數。 此演算法會將本機模型定型為個別的執行緒和機率模型餘數，讓本機模型結合以產生與預期中循序符號隨機梯度下降所產生的相同結果。

如需詳細資訊，請參閱 平行隨機梯度下降與音效組合器。

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> 使用以符號隨機梯度下降定型的線性二元分類模型來預測目標。

方法

Fit(IDataView)	定型並傳 ITransformer 回 。 (繼承來源 TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, LinearModelParameters)	繼續使用已定型 modelParameters 的 Microsoft.ML.Data.BinaryPredictionTransformer 進行定 SymbolicSgdLogisticRegressionBinaryTrainer 型。
GetOutputSchema(SchemaShape)	， IEstimator<TTransformer> 使用以符號隨機梯度下降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

• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
• SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)
• SymbolicSgdLogisticRegressionBinaryTrainer.Options