OlsTrainer 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 lineal mediante cuadrados mínimos ordinarios (OLS) para calcular los parámetros del modelo de regresión lineal.
public sealed class OlsTrainer : Microsoft.ML.Trainers.TrainerEstimatorBase<Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.OlsModelParameters>,Microsoft.ML.Trainers.OlsModelParameters>type OlsTrainer = class
inherit TrainerEstimatorBase<RegressionPredictionTransformer<OlsModelParameters>, OlsModelParameters>Public NotInheritable Class OlsTrainer
Inherits TrainerEstimatorBase(Of RegressionPredictionTransformer(Of OlsModelParameters), OlsModelParameters)- Herencia
Comentarios
Para crear este instructor, use Ols o Ols(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? | Sí |
| ¿Se requiere el almacenamiento en caché? | No |
| NuGet necesario además de Microsoft.ML | Microsoft.ML.Mkl.Components |
| Exportable a ONNX | Sí |
Detalles del algoritmo de entrenamiento
Los cuadrados mínimos ordinarios (OLS) son un método de regresión con parámetros. Se supone que la media condicional de la variable dependiente sigue una función lineal de las variables dependientes. Los parámetros de regresión se pueden calcular minimizando los cuadrados de la diferencia entre los valores observados y las predicciones.
Consulte la sección Consulte también los vínculos a ejemplos de 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 lineal mediante cuadrados mínimos ordinarios (OLS) para calcular los parámetros del modelo de regresión lineal. |
Métodos
| Fit(IDataView) |
Entrena y devuelve un ITransformerobjeto . (Heredado de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> para entrenar un modelo de regresión lineal mediante cuadrados mínimos ordinarios (OLS) para calcular los parámetros del modelo de regresión lineal. (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. |