OneVersusAllTrainer 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 di un classificatore multiclasse uno o più classi che usa il classificatore binario specificato.
public sealed class OneVersusAllTrainer : Microsoft.ML.Trainers.MetaMulticlassTrainer<Microsoft.ML.Data.MulticlassPredictionTransformer<Microsoft.ML.Trainers.OneVersusAllModelParameters>,Microsoft.ML.Trainers.OneVersusAllModelParameters>type OneVersusAllTrainer = class
inherit MetaMulticlassTrainer<MulticlassPredictionTransformer<OneVersusAllModelParameters>, OneVersusAllModelParameters>Public NotInheritable Class OneVersusAllTrainer
Inherits MetaMulticlassTrainer(Of MulticlassPredictionTransformer(Of OneVersusAllModelParameters), OneVersusAllModelParameters)- Ereditarietà
Commenti
Per creare questo formatore, usare OneVersusAll.
Colonne di input e output
I dati della colonna dell'etichetta di input devono essere di tipo chiave e la colonna della funzionalità deve essere un vettore di dimensioni note di Single.
Questo formatore restituisce le colonne seguenti:
| Nome della colonna di output | Tipo di colonna | Descrizione |
|---|---|---|
Score |
Vettore di Single | Punteggi di tutte le classi. Un valore più alto indica una maggiore probabilità di rientrare nella classe associata. Se l'elemento i-th ha il valore più grande, l'indice delle etichette stimato sarà i. Si noti che i è un indice in base zero. |
PredictedLabel |
chiave tipo | Indice dell'etichetta stimata. Se il valore è i, l'etichetta effettiva sarà la categoria i-th nel tipo di etichetta di input con valori chiave. |
Caratteristiche del trainer
| Attività di Machine Learning | Classificazione multiclasse |
| La normalizzazione è necessaria? | Dipende dal classificatore binario sottostante |
| La memorizzazione nella cache è necessaria? | Yes |
| NuGet necessario oltre a Microsoft.ML | Nessuno |
| Esportabile in ONNX | Yes |
Dettagli algoritmo di training
Nella strategia OVA (One-Versus-All) viene usato un algoritmo di classificazione binaria per eseguire il training di un classificatore per ogni classe, che distingue tale classe da tutte le altre classi. La stima viene quindi eseguita eseguendo questi classificatori binari e scegliendo la stima con il punteggio di attendibilità più alto. Questo algoritmo può essere usato con uno dei classificatori binari in ML.NET. Alcuni classificatori binari hanno già implementazione per problemi multiclasse, quindi gli utenti possono sceglierne uno a seconda del contesto. La versione OVA di un classificatore binario, ad esempio il wrapping di , LightGbmBinaryTrainerpuò essere diversa da LightGbmMulticlassTrainer, che sviluppa direttamente un classificatore multiclasse. Si noti che anche se il classificatore indica che non è necessaria la memorizzazione nella cache, OneVersusAll richiederà sempre la memorizzazione nella cache, perché eseguirà più passaggi sul set di dati. Questo formatore richiederà la normalizzazione dalla pipeline di dati se il classificatore ne indica il vantaggio.
Ciò consente di sfruttare i trainer che non hanno naturalmente un'opzione multiclasse, ad esempio usando per FastTreeBinaryTrainer risolvere un problema multiclasse. In alternativa, può consentire ML.NET di risolvere un problema "più semplice" anche nei casi in cui il formatore ha un'opzione multiclasse, ma l'uso diretto non è pratico a causa, in genere, dei vincoli di memoria. Ad esempio, mentre una regressione logistica multiclasse è un modo più lineare per risolvere un problema multiclasse, richiede che il formatore archivia molto più stato intermedio sotto forma di cronologia L-BFGS per tutte le classi simultaneamente, anziché solo uno per uno come sarebbe necessario per un modello di classificazione uno-a-tutti.
Vedere anche la sezione Vedere anche i collegamenti agli esempi di utilizzo.
Proprietà
| Nome | Descrizione |
|---|---|
| Info |
Oggetto IEstimator<TTransformer> per il training di un classificatore multiclasse uno o più classi che usa il classificatore binario specificato. (Ereditato da MetaMulticlassTrainer<TTransformer,TModel>) |
Metodi
| Nome | Descrizione |
|---|---|
| Fit(IDataView) |
Esegue il training di un MulticlassPredictionTransformer<TModel> modello. |
| GetOutputSchema(SchemaShape) |
Ottiene le colonne di output. (Ereditato da MetaMulticlassTrainer<TTransformer,TModel>) |
Metodi di estensione
| Nome | Descrizione |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. In questo modo si garantisce che gli estimatori downstream vengano sottoposti a training su dati memorizzati nella cache. È utile disporre di un checkpoint di memorizzazione nella cache prima che i formatori eseseguono più passaggi di dati. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dato uno strumento di stima, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. È spesso importante che uno strumento di stima restituisca informazioni sulle dimensioni, 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. |