ML Example SOPは、入力ジオメトリと ターゲット と呼ばれる目的の出力を組み合わせて、ラベル付きサンプルを作成することができます。 MLトレーニング用データセットは、複数のラベル付きサンプルを組み合わせることで形成することができます。 より一般的な情報は、機械学習のドキュメントを参照してください。

回帰(Regression)とは、ラベル付きサンプルセットから連続関数を学習するタイプの教師あり機械学習のことです。 各ラベル付きサンプルは、2つのコンポーネント(入力コンポーネントとターゲットコンポーネント)で構成されています。 ML Example SOPは、それらの2つのコンポーネントからラベル付きサンプルを作成します。 ML Example Decompose SOPにそのラベル付きサンプルを与えることで、入力コンポーネントとターゲットコンポーネントを取得することができます。 ML Example Decompose SOPは、ML Example SOPの逆操作と考えることができます。

与えられた入力毎に、プロシージャルネットワークを適用することで、それに呼応したターゲットを生成することができます。 このようにして、ラベル付きサンプルで構成された合成データセットを形成することができます。この合成データセットは、MLトレーニングに使用することができます。

ラベル付きサンプルだけでなく、ML Example SOPは、ラベルなしサンプルも作成することができます。 これは、オプションの Target Component 入力を未接続のままにすることで作成することができます。

入力とターゲットを一緒にラベル付きサンプルとして紐付けておくことで、データセットを前処理する時にメリットがあります。 外れ値を拒絶したい場合、入力とターゲットのインデックスの不一致を対処する必要なく、ラベル付きサンプルを破棄することができます。 それぞれの入力とターゲットを一緒にまとめておくと、入力またはターゲットのどちらかの変換が入力とターゲットの両方に依存している前処理工程も容易になります。

各ラベル付きサンプルはパックプリミティブとして格納されているので、単一ジオメトリに複数のラベル付きサンプルを格納することができます。 ラベル付きサンプルを含んでいるジオメトリをSOPでマージすることで、それらのラベル付きサンプルをマージすることができます。 ラベル付きサンプルを含んでいるジオメトリは、ML Example Output SOPを使用することで、トレーニング用データセットとして書き出すことができます。

ML Example SOP を使用することで、一度に1個のサンプルではなく、一度に複数個のサンプルを作成することができます。 パック入力コンポーネントが多数あり、且つ、それと同じ数のパックターゲットコンポーネントがある場合、 ML Example SOPは、それらの入力とターゲットを一緒にまとめて、その入力とターゲットのペア毎にサンプルを作成することができます。 これを行なうには、 Use Packed Input Component トグルと Use Packed Target Component トグルの両方を有効にします。 しかし、 Use Packed Input Component トグルと Use Packed Target Component トグルのいずれかが無効な場合、 ML Example SOP は、両方の入力を単一コンポーネントとして扱い、1個のサンプルのみを作成します。

パックコンポーネントを使用するオプションは、サンプルを構築したいすべての入力寄与とターゲット寄与(例えば、Pointアトリビュートとボリューム)が単一ジオメトリに属している時にも役立ちます。 その場合、Pack SOPを使用してその単一ジオメトリをパック化してから、それをML Example SOPの両方の入力に接続してください。 これによって、下流のすべてのMLノードが通常通りに動作しつつ、単一ジオメトリが複製されなくなります。

場合によっては、外れ値のサンプル(例えば、失敗したシミュレーションの結果)を破棄したいことでしょう。 これをするためには、 Input Validity Attribute と Target Validity Attribute で指定可能なDetailアトリビュートを使用して、ML Example SOPに渡される入力コンポーネントとターゲットコンポーネントを無効としてマークすると良いでしょう。 入力コンポーネントに関しては、これは Use Packed Input Component が無効な場合にのみ動作します。 ターゲットコンポーネントに関しても同様です。

サンプルセットは、ジオメトリとして表現され、ジオメトリネットワークで操作することができます。 サンプルベースのMLノードは、サンプルをこのような方法で表現するために特定のルールを想定し、そのルールを維持します。 各サンプルは、パックプリミティブで表現されます。 サンプルセットを表現したジオメトリは、パックプリミティブのみで構成されていなければなりません。

ラベルなしサンプルとラベル付きサンプルの表現は、異なります。 ラベルなしサンプルはパックプリミティブで、その埋め込みジオメトリがそのサンプルの中身(入力コンポーネント)です。 こうすることで、サンプルベースのMLノードセットを使用して、パックプリミティブセットをラベルなしサンプルとして使うことができます。

ラベル付きサンプルは、2個のパックプリミティブ(入力コンポーネントとターゲットコンポーネント)を含んだパックプリミティブです。 これによって、埋め込みジオメトリをコピーすることなくラベルなしサンプルをラベル付きサンプルにすることができます。 ラベル付きサンプルは、labeledexamplesという名前のプリミティブグループの一部でなければなりません。 ラベルなしサンプルは、そのlabeledexamplesグループを持たないし、そのメンバーでもありません。

要約すると以下のようになります:

• サンプルセットを表現したジオメトリは、すべてパックプリミティブで構成されている必要があります。

• そのジオメトリにlabeledexamplesプリミティブグループがない場合、各パックプリミティブは、MLノードではラベルなしサンプルとして扱われます。

• そのジオメトリにlabeledexamplesプリミティブグループがある場合、このグループのメンバーは、ラベル付きサンプルとして扱われ、残りのプリミティブはラベルなしサンプルとして扱われます。

サンプルベースのMLノードを使用する時、上記の表現ルールは自動的に適用されるので、あまり気にする必要はありません。