SgdNonCalibratedTrainer Classe
Definizione
Importante
Alcune informazioni sono relative alla release non definitiva del prodotto, che potrebbe subire modifiche significative prima della release definitiva. Microsoft non riconosce alcuna garanzia, espressa o implicita, in merito alle informazioni qui fornite.
Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo.
public sealed class SgdNonCalibratedTrainer : Microsoft.ML.Trainers.SgdBinaryTrainerBase<Microsoft.ML.Trainers.LinearBinaryModelParameters>type SgdNonCalibratedTrainer = class
inherit SgdBinaryTrainerBase<LinearBinaryModelParameters>Public NotInheritable Class SgdNonCalibratedTrainer
Inherits SgdBinaryTrainerBase(Of LinearBinaryModelParameters)- Ereditarietà
-
LinearTrainerBase<BinaryPredictionTransformer<TModel>,TModel>SgdNonCalibratedTrainer
Commenti
Per creare questo formatore, usare SgdNonCalibrated o SgdNonCalibrated(Options).
Colonne di input e output
I dati della colonna dell'etichetta di input devono essere Boolean. I dati delle colonne delle funzionalità di input devono essere un vettore di dimensioni note di Single. Questo formatore restituisce le colonne seguenti:
| Nome colonna di output | Tipo di colonna | Descrizione |
|---|---|---|
Score |
Single | Punteggio non associato calcolato dal modello. |
PredictedLabel |
Boolean | L'etichetta stimata, in base al segno del punteggio. Un punteggio negativo esegue il mapping a false e un punteggio negativo esegue il mapping a true. |
Caratteristiche del formatore
| Attività di Machine Learning | Classificazione binaria |
| La normalizzazione è necessaria? | Sì |
| La memorizzazione nella cache è necessaria? | No |
| NuGet richiesto oltre a Microsoft.ML | Nessuno |
| Esportabile in ONNX | Sì |
Dettagli algoritmo di training
La discesa stocastica del gradiente (SGD) è una delle procedure di ottimizzazione stocastiche più diffuse che possono essere integrate in diverse attività di Machine Learning per ottenere prestazioni all'avanguardia. Questo trainer implementa la discesa stocastica stocastica di Hogwild per la classificazione binaria che supporta il multithreading senza alcun blocco. Se il problema di ottimizzazione associato è sparse, Hogwild Stochastic Gradient Descent ottiene un tasso di convergenza quasi ottimale. Per altre informazioni su Hogwild Stochastic Gradient Descent(Discesa del gradiente stocastico) sono disponibili qui.
Vedere la sezione Vedere anche per i collegamenti ad esempi di utilizzo.
Campi
| FeatureColumn |
Colonna di funzionalità prevista dal formatore. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>) |
| LabelColumn |
Colonna dell'etichetta prevista dal formatore. Può essere |
| WeightColumn |
Colonna di peso prevista dal formatore. Può essere |
Proprietà
| Info |
Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo. (Ereditato da SgdBinaryTrainerBase<TModel>) |
Metodi
| Fit(IDataView, LinearModelParameters) |
Continua il training di un SdcaLogisticRegressionBinaryTrainer oggetto utilizzando un oggetto già sottoposto a |
| Fit(IDataView) |
Esegue il training e restituisce un oggetto ITransformer. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>) |
Metodi di estensione
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. Ciò garantisce che gli estimatori downstream vengano sottoposti a training in base ai dati memorizzati nella cache. È utile avere un checkpoint di memorizzazione nella cache prima che i formatori eseseguono più passaggi di dati. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dato un estimator, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. È spesso importante che uno strumento di stima restituisca informazioni sull'adattamento, motivo per cui il Fit(IDataView) metodo restituisce un oggetto tipizzato in modo specifico, anziché solo un oggetto generale ITransformer. Tuttavia, allo stesso tempo, IEstimator<TTransformer> vengono spesso formati in pipeline con molti oggetti, quindi potrebbe essere necessario creare una catena di estimatori tramite EstimatorChain<TLastTransformer> dove lo strumento di stima per il quale si vuole ottenere il trasformatore è sepolto in una posizione in questa catena. Per questo scenario, è possibile collegare un delegato che verrà chiamato una volta chiamato fit. |