| On this page |
概要 ¶
このノードは、与えられた各サンプルについて予測値とターゲット値との間の二乗距離の和を最小化する線形モデルを、二次正則化項を追加してトレーニングします。 この線形モデルは各照会入力に適用され、予測された出力が生成されます。 ML Regression Linear SOPは、トレーニング済みのニューラルネットワークを推論する代替手段になります。 線形モデルで十分な近似が得られる状況においては、このノードは、ニューラルネットワークのトレーニングや推論に代わるよりシンプルな手段になります。
ML Regression Linear SOPの1番目の入力には、ラベル付きサンプルを接続してください。 例えば、SOPのForループ内にML Example SOPを使用してラベル付きサンプルを作成するか、または、ML Example Import SOPを使用してファイルからラベル付きサンプルを読み込みます。 2番目の入力には、ラベル付きサンプルの各入力コンポーネントと同じ寄与で構成された入力コンポーネントを接続してください。 マルチパラメータで指定する入力/出力寄与は、元のラベル付きサンプルのMLノードで指定された入力/ターゲット寄与に合わせてください。
ML Train Regression TOPと
ML Regression Inference SOPが優先されている場合、ML Regression Linear SOPは、データセットが正しく生成されたかどうかを確認するのに役立ちます。
データセットのラベル付きサンプルの入力コンポーネントを指定した場合、ML Regression Linear SOPは、ターゲットに完全に一致したものを返します。
これは、データセット内の2つのラベル付きサンプルが同じ入力コンポーネントを持っていないことを前提としています。
一般的な情報は機械学習のドキュメントを参照してください。
パラメータ ¶
Batch
Singleモードでは、単一入力が評価されます。 Multiple Packedモードでは、入力の各埋め込みジオメトリに対してモデルが評価され、その結果が呼応するパックプリミティブに格納されます。
Weight Decay
このノードによってトレーニングされたモデルは二次損失を最小化します。 Weight Decay は、この損失の加数であるウェイトの二乗和(バイアスパラメータを除く)をスケールする係数です。 Weight Decay を上げると、モデルの汎化性能が向上する一方で、サンプルターゲットへの適合度は低下する可能性があります。 また、このパラメータの値を上げると、トレーニングが困難なケースにおいて、より安定した解が得られる場合があります。
Error Threshold
これは、解の精度が不十分なケースを検出するための相対誤差の閾値です。 計算されたモデルの誤差がこの閾値を超えた場合、このノードはエラーを出します。 この閾値は、それを超えた際にエラーを生成する以外には何の作用もありません。 これは、正確なモデルを計算できない場合に予期せぬ事態を避けるためのものです。
Number of Inputs ¶
Type
入力寄与のタイプ: Pointアトリビュートまたはボリューム。
Point Attribute
浮動小数点Pointアトリビュートの名前。
Volume Name
ボリュームの名前。
Volume Resolution
X、Y、Z軸に沿ったボリュームの解像度。
Tuple Size
Pointアトリビュートまたはボリュームのタプルサイズ。
Number of Outputs ¶
Type
ターゲット寄与のタイプ: Pointアトリビュートまたはボリューム。
Point Attribute
浮動小数点Pointアトリビュートの名前。
Volume Name
ボリュームの名前。
Volume Resolution
#id targetvolumeresolution X、Y、Z軸に沿ったボリュームの解像度。
Tuple Size
Pointアトリビュートまたはボリュームのタプルサイズ。
入力 ¶
Labeled Examples
照会入力コンポーネントと比較される入力コンポーネントのラベル付きサンプル。
Input Component
照会入力コンポーネント。
出力 ¶
Output Component
照会入力コンポーネントにマッチしたラベル付きサンプルに呼応した出力コンポーネント。
