LpNormNormalizingEstimator Classe
Definição
Importante
Algumas informações se referem a produtos de pré-lançamento que podem ser substancialmente modificados antes do lançamento. A Microsoft não oferece garantias, expressas ou implícitas, das informações aqui fornecidas.
Normaliza vetores (dimensiona) na coluna de entrada para a norma de unidade. O tipo de norma que é usado pode ser especificado pelo usuário.
public sealed class LpNormNormalizingEstimator : Microsoft.ML.Transforms.LpNormNormalizingEstimatorBasetype LpNormNormalizingEstimator = class
inherit LpNormNormalizingEstimatorBasePublic NotInheritable Class LpNormNormalizingEstimator
Inherits LpNormNormalizingEstimatorBase- Herança
-
LpNormNormalizingEstimator
Comentários
Características do estimador
| Esse estimador precisa examinar os dados para treinar seus parâmetros? | No |
| Tipo de dados de coluna de entrada | Vetor de Single |
| Tipo de dados de coluna de saída | Vetor de Single |
| Exportável para ONNX | Sim |
O resultado LpNormNormalizingTransformer normaliza os vetores na coluna de entrada individualmente, recalcando-os para a norma de unidade.
Deixe $x$ ser o vetor de entrada, $n$ o tamanho do vetor, $L(x)$ a função de norma selecionada pelo usuário. Let $\mu(x) = \sum_i x_i/n$ be the mean of the values of vector $x$. A LpNormNormalizingTransformer operação a seguir é executada em cada vetor de entrada $x$: $y = \frac{x - \mu(x)}{L(x)}$ se o usuário especificar que a média deve ser zero ou de outra forma: $y = \frac{x}{L(x)}$
Há quatro tipos de norma que podem ser selecionados pelo usuário a serem aplicados no vetor de entrada $x$. Elas são definidas da seguinte forma:
- L1: $L_1(x) = \sum_i |x_i|$
- L2: $L_2(x) = \sqrt{\sum_i x_i^2}$
- Infinity: $L_{\infty}(x) = \max_i{|x_i|} $
- StandardDeviation: $L_\sigma(x)$ é definido como o desvio padrão dos elementos do vetor de entrada $x$
Verifique a seção Consulte Também para obter links para exemplos de uso.
Métodos
| Fit(IDataView) |
Normaliza vetores (dimensiona) na coluna de entrada para a norma de unidade. O tipo de norma que é usado pode ser especificado pelo usuário. (Herdado de TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Retorna o SchemaShape esquema que será produzido pelo transformador. Usado para propagação e verificação de esquema em um pipeline. (Herdado de LpNormNormalizingEstimatorBase) |
Métodos de Extensão
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Acrescente um "ponto de verificação de cache" à cadeia de estimativas. Isso garantirá que os estimadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que fazem várias passagens de dados. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado um estimador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um estimador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário construir uma cadeia de estimadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos que o transformador seja enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado quando fit for chamado. |