大网数据广告活动
.NET 与 C# 开发

机器学习库

· 52CE 我爱测

一个重要的机器学习术语表,可在 ML.NET 中生成自定义模型时使用。

以下列表是重要的机器学习术语编译,可在 ML.NET 中生成自定义模型时使用。

准确性

在分类中,准确性是正确分类的项数目除以测试集内的项总数。 范围从 0(最不准确)到 1(最准确)。 准确性是模型性能的评估指标之一。 将其与精度、撤回和 F 分数结合考虑。

曲线下面积 (AUC)

二元分类中的一项评估指标,即曲线下面积值,它绘制真阳性率(y 轴)与误报率(x 轴)进行对照。 范围从 0.5(最差)到 1(最佳)。 也称为 ROC 曲线下面积,即,接受者操作特征曲线。 有关详细信息,请参阅 Wikipedia 上的接受者操作特征一文。

二元分类

一个分类事例,其中标签仅为两个类中的一个。 有关详细信息,请参阅机器学习任务主题的二元分类部分。

校准

校准是将原始分数映射到类成员身份的过程,用于二元和多类分类。 一些 ML.NET 训练程序的后缀为 NonCalibrated。 这些算法会生成一个原始分数,该分数之后必须映射到类概率。

Catalog

在 ML.NET 中,目录是扩展函数的集合,按常见用途进行分组。

例如,每个机器学习任务(二元分类、回归、排名等)都有一个可用机器学习算法(训练程序)目录。 二元分类训练程序的目录是:xref:Microsoft.ML.BinaryClassificationCatalog.BinaryClassificationTrainers。

分类

当使用这些数据来预测某一类别,监管式机器学习任务被称为“分类”。 二元分类指的是仅预测两个类别(例如,将图像划分为“猫”或“狗”图片)。 多类分类指的是预测多个类别(例如,当将图像划分为特定品种狗的图片)。

决定系数

回归中的一项评估指标,表明数据与模型的匹配程度。 范围从 0 到 1。 值 0 表示数据是随机的,否则就无法与模型相匹配。 值 1 表示模型与数据完全匹配。 这通常称为 <sup>2</sup>、R<sup>2</sup> 或 r 平方值。

数据

数据是所有机器学习应用程序的核心。 在 ML.NET 中,数据由 xref:Microsoft.ML.IDataView 对象表示。 数据视图对象:

  • 由列和行组成
  • 延迟计算,即它们仅在操作调用数据时加载数据
  • 包含定义了每个列的类型、格式和长度的架构

估算器

ML.NET 中实现 xref:Microsoft.ML.IEstimator`1 接口的类。

估算器是一种转换(数据准备转换和机器学习模型训练转换)规范。 估算器可以链接在一起形成转换管道。 调用 xref:Microsoft.ML.IEstimator`1.Fit* 时,会学习估算器或估算器管道的参数。 xref:Microsoft.ML.IEstimator`1.Fit* 的结果为转换器。

扩展方法

一种 .NET 方法,它是类的一部分,但在类外部定义。 扩展方法的第一个参数是对扩展方法所属的类的静态 this 引用。

扩展方法在 ML.NET 中广泛用于构造估算器实例。

功能

正在对其进行度量的现象的一个可度量属性,通常是一个数(双精度)值。 多个特征被称为“特征向量” 且通常存储为 double[]。 这些特征定义所度量现象的重要特性。 有关详细信息,请参阅 Wikipedia 上的特征一文。

特征工程

特征工程是涉及定义一组特征和开发软件以从可用现象数据中生成特征向量(即特征提取)的过程。 有关详细信息,请参阅 Wikipedia 上的特征工程一文。

F 分数

分类中的一项评估指标,它平衡精度和撤回。

超参数

机器学习算法的参数。 示例包括在决策林中学习的树的数量,或者梯度下降算法中的步长。 在对模型进行定型之前,先设置超参数 的值,并控制查找预测函数参数的过程,例如,决策树中的比较点或线性回归模型中的权重。 有关详细信息,请参阅 Wikipedia 上的超参数一文。

Label

使用机器学习模型进行预测的元素。 例如,狗的品种或将来的股票价格。

对数损失

在分类中,描述分类器准确性的评估指标。 对数损失越小,分类器越准确。

损失函数

损失函数是指训练标签值与模型所做预测之间的差异。 通过最小化损失函数来估算模型参数。

可以为不同的训练程序配置不同的损失函数。

平均绝对误差 (MAE)

回归中的一项评估指标,即所有模型误差的平均值,其中模型误差是预测标签值和正确标签值之间的差距。

模型

就传统意义而言,它是预测函数的参数。 例如,线性回归模型中的权重或决策树中的拆分点。 在 ML.NET 中,一个模型包含预测域对象标签所需的所有信息(例如,图像或文本)。 这意味着 ML.NET 模型包括所需的特征化步骤以及预测函数参数。

多类分类

一个分类事例,其中标签是三个或更多类中的一个。 有关详细信息,请参阅机器学习任务主题的多类分类部分。

N 元语法

文本数据的特征提取方案:N 个单词的任何序列都将转变为特征值。

标准化

标准化是将浮点数据缩放到 0 到 1 之间的值的过程。 ML.NET 中使用的许多训练算法都需要对输入特征数据进行标准化。 ML.NET 提供了一系列用于标准化的转换

数字特征向量

只包含数值的特征向量。 这与 double[] 非常类似。

管道

要将模型与数据集相匹配所需的所有操作。 管道由数据导入、转换、特征化和学习步骤组成。 对管道进行定型后,它会转变为模型。

精度

在分类中,类的精度是正确预测为属于该类的项目的数量,除以预测为属于该类的项目的总数。

撤回

在分类中,类的撤回是正确预测为属于该类的项目的数量,除以实际属于该类的项目的总数。

正则化

正则化会对过于复杂的线性模型进行惩罚。 正则化有两种类型:

  • $L_1$ 正则化将无意义特征的权重归零。 进行这种正则化之后,所保存模型的大小可能会变小。
  • $L_2$ 正则化将无意义特征的权重范围最小化,这是一个更常规的过程,对离群值的敏感度也较低。

回归测试

监管式机器学习任务,其中输出是一个实际值,例如,双精度值。 示例包括预测股票价格。 有关详细信息,请参阅机器学习任务主题的回归部分。

相对绝对误差

回归中的一项评估指标,即所有绝对误差总和除以正确标签值和所有正确标签值的平均值之间的差值总和。

相对平方误差

回归中的一项评估指标,即所有绝对平方误差总和除以正确标签值和所有正确标签值的平均值之间的平方差值总和。

均方误差根 (RMSE)

回归中的一项评估指标,即误差平方平均值的平方根。

评分

评分是将新数据应用于经过训练的机器学习模型并生成预测的过程。 评分也称为推断。 根据模型类型,分数可以是原始值、概率或类别。

监管式机器学习

机器学习的一个子类,其中所需的模型预测尚不可见的数据标签。 示例包括分类、回归以及结构化预测。 有关详细信息,请参阅 Wikipedia 上的监管式学习一文。

训练

识别给定定型数据集模型的过程。 对于线性模型,这意味着查找权重。 有关树信息,这涉及到标识拆分点。

转换器

一个实现 xref:Microsoft.ML.ITransformer 接口的 ML.NET 类。

转换器可将一个 xref:Microsoft.ML.IDataView 转换为另一个 IDataView。 转换器是通过训练估算器或估算器管道创建的。

非监管式机器学习

机器学习的子类,其中所需的模型查找数据中的隐藏(或潜在)结构。 示例包括聚类分析、主题建模和维数约简。 有关详细信息,请参阅 Wikipedia 上的非监管式学习一文。

历史资料。此文对应 2019-08-18 的中文文档快照,适用产品版本和命令行为以原文为准。

来源与署名:Microsoft 和文档贡献者。固定版本原文。文档采用 CC BY 4.0,示例代码采用 MIT 授权。本站将 Markdown 转为 HTML,规范化链接,移除外部媒体和导航标记。

资料来源与适用范围

资料来源
Microsoft / .NET 中文文档历史快照
适用范围
历史中文快照 2019-08-18;详见原文产品版本;文档日期 07/31/2019
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
CC BY 4.0(文档)/ MIT(示例代码)

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。