GamRegressionTrainer Clase
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
IEstimator<TTransformer> para entrenar un modelo de regresión con modelos aditivos generalizados (GAM).
public sealed class GamRegressionTrainer : Microsoft.ML.Trainers.FastTree.GamTrainerBase<Microsoft.ML.Trainers.FastTree.GamRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.GamRegressionModelParameters>type GamRegressionTrainer = class
inherit GamTrainerBase<GamRegressionTrainer.Options, RegressionPredictionTransformer<GamRegressionModelParameters>, GamRegressionModelParameters>Public NotInheritable Class GamRegressionTrainer
Inherits GamTrainerBase(Of GamRegressionTrainer.Options, RegressionPredictionTransformer(Of GamRegressionModelParameters), GamRegressionModelParameters)- Herencia
-
TrainerEstimatorBase<TTransformer,TPredictor>GamTrainerBase<GamRegressionTrainer.Options,RegressionPredictionTransformer<GamRegressionModelParameters>,GamRegressionModelParameters>GamRegressionTrainer
Comentarios
Para crear este instructor, use Gam o Gam(Options).
Columnas de entrada y salida
Los datos de la columna de etiquetas de entrada deben ser Single. Los datos de columna de características de entrada deben ser un vector de tamaño conocido de Single.
Este instructor genera las siguientes columnas:
| Nombre de columna de salida | Tipo de columna | Descripción |
|---|---|---|
Score |
Single | Puntuación sin enlazar que el modelo predijo. |
Características del entrenador
| Tarea de Machine Learning | Regresión |
| ¿Se requiere normalización? | No |
| ¿Se requiere el almacenamiento en caché? | No |
| NuGet necesario además de Microsoft.ML | Microsoft.ML.FastTree |
| Exportable a ONNX | No |
Detalles del algoritmo de entrenamiento
Los modelos aditivos generalizados, o LAS VM, modelar los datos como un conjunto de características linealmente independientes similares a un modelo lineal. Para cada característica, el instructor de GAM aprende una función no lineal, denominada "función shape", que calcula la respuesta como una función del valor de la característica. (Por el contrario, un modelo lineal se ajusta a una respuesta lineal (por ejemplo, una línea) a cada característica). Para puntuar una entrada, las salidas de todas las funciones de forma se summed y la puntuación es el valor total.
Este instructor de GAM se implementa mediante árboles impulsados por degradado superficial (por ejemplo, totumps de árbol) para aprender funciones de forma noparamétricas, y se basa en el método descrito en Lou, Caruana y Gehrke. "Modelos inteligibles para clasificación y regresión". KDD'12, Beijing, China. 2012. Después del entrenamiento, se agrega una interceptación para representar la predicción media sobre el conjunto de entrenamiento y las funciones de forma se normalizan para representar la desviación de la predicción media. Esto da como resultado modelos que se interpretan fácilmente simplemente inspeccionando la interceptación y las funciones de forma. Consulte el ejemplo siguiente para obtener un ejemplo de cómo entrenar un modelo GAM e inspeccionar e interpretar los resultados.
Consulte la sección Ver también para obtener vínculos a ejemplos del uso.
Campos
| FeatureColumn |
Columna de características que espera el instructor. (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Columna de etiqueta que espera el instructor. Puede ser |
| WeightColumn |
Columna de peso que espera el entrenador. Puede ser |
Propiedades
| Info |
IEstimator<TTransformer> para entrenar un modelo de regresión con modelos aditivos generalizados (GAM). (Heredado de GamTrainerBase<TOptions,TTransformer,TPredictor>) |
Métodos
| Fit(IDataView, IDataView) |
Entrena un GamRegressionTrainer objeto mediante datos de entrenamiento y validación, devuelve un RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Entrena y devuelve un ITransformerobjeto . (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> para entrenar un modelo de regresión con modelos aditivos generalizados (GAM). (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
Métodos de extensión
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de bajada se entrenarán con datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador se enterró en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit. |