SgdCalibratedTrainer Klasse
Definition
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 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
-
LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>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 |
| WeightColumn |
Die Gewichtsspalte, die der Trainer erwartet.
|
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, LinearModelParameters) |
Führt die Schulung einer SdcaLogisticRegressionBinaryTrainer bereits trainierten |
| Fit(IDataView) |
Züge und zurückgeben eine ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,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. |