为什么要连接机器学习中的功能?

时间:2019-01-02 21:49:42

标签: machine-learning

我正在学习Microsoft ML框架,并困惑为什么需要串联功能。在Microsoft的鸢尾花示例中,这里: https://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/iris-clustering

...功能是串联的:

string featuresColumnName = "Features";
var pipeline = mlContext.Transforms
    .Concatenate(featuresColumnName, "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")
    ...

为了进行线性回归之类的计算,是否将多个要素视为一个要素?如果是这样,这如何准确?幕后发生了什么?

1 个答案:

答案 0 :(得分:0)

根据official documentation

串联是必要的,因为训练员将特征向量视为 输入。

本质上,它以独立列的形式将特征转换为特征向量的单列。特征值本身保持不变。仅更改其格式和类型。通过此example更清楚:

转换前:

        var samples = new List<InputData>()
        {
            new InputData(){ Feature1 = 0.1f, Feature2 = new[]{ 1.1f, 2.1f,
                3.1f }, Feature3 = 1 },

            new InputData(){ Feature1 = 0.2f, Feature2 = new[]{ 1.2f, 2.2f,
                3.2f }, Feature3 = 2 },

            new InputData(){ Feature1 = 0.3f, Feature2 = new[]{ 1.3f, 2.3f,
                3.3f }, Feature3 = 3 },

            new InputData(){ Feature1 = 0.4f, Feature2 = new[]{ 1.4f, 2.4f,
                3.4f }, Feature3 = 4 },

            new InputData(){ Feature1 = 0.5f, Feature2 = new[]{ 1.5f, 2.5f,
                3.5f }, Feature3 = 5 },

            new InputData(){ Feature1 = 0.6f, Feature2 = new[]{ 1.6f, 2.6f,
                3.6f }, Feature3 = 6 },
        };

之后:

    //  "Features" column obtained post-transformation.
    //  0.1 1.1 2.1 3.1 1
    //  0.2 1.2 2.2 3.2 2
    //  0.3 1.3 2.3 3.3 3
    //  0.4 1.4 2.4 3.4 4
    //  0.5 1.5 2.5 3.5 5
    //  0.6 1.6 2.6 3.6 6