Microsoft.ML.Trainers Obor názvů

Obor názvů obsahující školitele, parametry modelu a nástroje

Třídy

AveragedLinearOptions	Třída argumentů pro průměrované lineární školitele.
AveragedLinearTrainer<TTransformer,TModel>	Základní třída pro průměrované lineární školitele.
AveragedPerceptronTrainer	Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného s průměrným perceptronem.
AveragedPerceptronTrainer.Options	Možnosti pro pole použité v AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)nástroji AveragedPerceptronTrainer .
CoefficientStatistics	Představuje objekt statistiky koeficientu obsahující statistiku o počítaných parametrech modelu.
ComputeLogisticRegressionStandardDeviation	Vypočítá matici směrodatné odchylky každé z nenulových trénovacích vah, potřebných k dalšímu výpočtu směrodatné odchylky, p-hodnoty a skóre z. Použijte implementaci této třídy v balíčku Microsoft.ML.Mkl.Components, který používá knihovnu Intel Math Kernel Library. Vzhledem k existenci regularizace se k výpočtu odchylek trénovaných lineárních koeficientů používá aproximace.
ComputeLRTrainingStdThroughMkl	Obor názvů obsahující školitele, parametry modelu a nástroje
ExpLoss	Exponenciální ztráta, která se běžně používá v úlohách klasifikace.
ExponentialLRDecay	Tato třída implementuje exponenciální pokles rychlosti učení. Implementované z dokumentace tensorflow. Zdroj: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Výchozí hodnoty a implementace rychlosti učení jsou z testů modelu Tensorflow Slim. Zdroj: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	Podpora výpočtu příspěvku na funkci
FieldAwareFactorizationMachineModelParameters	Parametry modelu pro FieldAwareFactorizationMachineTrainer.
FieldAwareFactorizationMachinePredictionTransformer	Obor názvů obsahující školitele, parametry modelu a nástroje
FieldAwareFactorizationMachineTrainer	Předpovědět IEstimator<TTransformer> cíl pomocí modelu faktorizačního stroje pracujícího s polem natrénovaného pomocí stochastické gradientní metody.
FieldAwareFactorizationMachineTrainer.Options	FieldAwareFactorizationMachineTrainer.Options pro FieldAwareFactorizationMachineTrainer , jak se používá v FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).
HingeLoss	Pant Loss, běžně používaný při klasifikačních úlohách.
KMeansModelParameters	Obor názvů obsahující školitele, parametry modelu a nástroje
KMeansTrainer	Trénování IEstimator<TTransformer> clustereru KMeans
KMeansTrainer.Options	Možnosti pro, jak se KMeansTrainer používají v KMeansTrainer(Options).
LbfgsLogisticRegressionBinaryTrainer	Předpovědět IEstimator<TTransformer> cíl pomocí lineárního logistického regresního modelu vytrénovaného metodou L-BFGS.
LbfgsLogisticRegressionBinaryTrainer.Options	Možnosti pro , jak se LbfgsLogisticRegressionBinaryTrainer používají v LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
LbfgsMaximumEntropyMulticlassTrainer	Predikce IEstimator<TTransformer> cíle pomocí klasifikátoru maximální entropie s více třídami vytrénovaným metodou L-BFGS.
LbfgsMaximumEntropyMulticlassTrainer.Options	LbfgsMaximumEntropyMulticlassTrainer.Options pro LbfgsMaximumEntropyMulticlassTrainer , jak se používá v LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).
LbfgsPoissonRegressionTrainer	Trénování IEstimator<TTransformer> Poissonova regresního modelu.
LbfgsPoissonRegressionTrainer.Options	Možnosti pro hodnotu použitou LbfgsPoissonRegressionTrainer v LbfgsPoissonRegression(Options).
LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Základní třída možností pro odhadce školitele odvozené zLbfgsTrainerBase<TOptions,TTransformer,TModel>.
LbfgsTrainerBase<TOptions,TTransformer,TModel>	Základní třída pro trenéry založené na L-BFGS.
LdSvmModelParameters	Obor názvů obsahující školitele, parametry modelu a nástroje
LdSvmTrainer	Předpovědět IEstimator<TTransformer> cíl pomocí nelineárního binárního klasifikačního modelu vytrénovaného pomocí místního hlubokého SVM.
LdSvmTrainer.Options	Obor názvů obsahující školitele, parametry modelu a nástroje
LearningRateScheduler	Tato abstraktní třída definuje plánovač rychlosti učení.
LinearBinaryModelParameters	Třída parametrů modelu pro odhady lineárních binárních školitelů.
LinearModelParameters	Základní třída pro parametry lineárního modelu.
LinearModelParameterStatistics	Statistika parametrů lineárního modelu
LinearMulticlassModelParameters	Lineární model klasifikátorů s více třídami. Vypíše nezpracovaná skóre všech svých lineárních modelů a není k dispozici žádný pravděpodobný výstup.
LinearMulticlassModelParametersBase	Běžný lineární model klasifikátorů s více třídami LinearMulticlassModelParameters obsahuje jeden lineární model pro každou třídu.
LinearRegressionModelParameters	Parametry modelu pro lineární regresi
LinearSvmTrainer	Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného pomocí lineárního SVM.
LinearSvmTrainer.Options	Možnosti pro pole použité v LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)nástroji LinearSvmTrainer .
LinearTrainerBase<TTransformer,TModel>	Obor názvů obsahující školitele, parametry modelu a nástroje
LogLoss	Ztráta protokolu, označovaná také jako křížová ztráta entropie. Běžně se používá v úlohách klasifikace.
LsrDecay	Tato třída implementuje lineární pravidlo škálování a rozpad LR. Implementace převzatá z srovnávacího testu RESNET-CIFAR v Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py
MaximumEntropyModelParameters	Lineární maximální entropie modelu klasifikátorů s více třídami. Vypíše pravděpodobnosti tříd. Tento model se také označuje jako multinomická logistická regrese. Podrobnosti najdete v tématu https://en.wikipedia.org/wiki/Multinomial_logistic_regression .
MetaMulticlassTrainer<TTransformer,TModel>	Obor názvů obsahující školitele, parametry modelu a nástroje
ModelParametersBase<TOutput>	Obecná základní třída pro všechny parametry modelu.
ModelStatisticsBase	Statistika parametrů lineárního modelu
NaiveBayesMulticlassModelParameters	Parametry modelu pro NaiveBayesMulticlassTrainer.
NaiveBayesMulticlassTrainer	Pro IEstimator<TTransformer> trénování vícetřídového modelu Naive Bayes, který podporuje binární hodnoty funkcí.
OlsModelParameters	Parametry modelu pro OlsTrainer.
OlsTrainer	Trénování IEstimator<TTransformer> modelu lineární regrese pomocí běžných nejmenších čtverců (OLS) pro odhad parametrů lineárního regresního modelu.
OlsTrainer.Options	Možnosti pro, jak se OlsTrainer používají v Ols(Options)
OneVersusAllModelParameters	Parametry modelu pro OneVersusAllTrainer.
OneVersusAllTrainer	Pro IEstimator<TTransformer> trénování klasifikátoru s více třídami, který používá zadaný binární klasifikátor.
OnlineGradientDescentTrainer	Pro IEstimator<TTransformer> trénování modelu lineární regrese pomocí online gradientního sestupu (OGD) pro odhad parametrů modelu lineární regrese.
OnlineGradientDescentTrainer.Options	Možnosti pro, jak se OnlineGradientDescentTrainer používá v OnlineGradientDescent(Options).
OnlineLinearOptions	Třída argumentů pro online lineární školitele.
OnlineLinearTrainer<TTransformer,TModel>	Základní třída pro online lineární školitele. Online školitele je možné postupně aktualizovat pomocí dalších dat.
PairwiseCouplingModelParameters	Parametry modelu pro PairwiseCouplingTrainer.
PairwiseCouplingTrainer	Pro IEstimator<TTransformer> trénování vícetřídní klasifikátoru párového spojení, který používá zadaný binární klasifikátor.
PcaModelParameters	Parametry modelu pro RandomizedPcaTrainer.
PoissonLoss	Funkce Poisson Loss pro Poissonovu regresi.
PoissonRegressionModelParameters	Parametry modelu pro Poissonova regrese.
PolynomialLRDecay	Tato třída implementuje rozpad rychlosti polynomického učení. Implementované z dokumentace tensorflow. Zdroj: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Výchozí hodnoty a implementace rychlosti učení jsou z testů modelu Tensorflow Slim. Zdroj: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
PriorModelParameters	Parametry modelu pro PriorTrainer.
PriorTrainer	Pro IEstimator<TTransformer> predikci cíle pomocí binárního klasifikačního modelu.
RandomizedPcaTrainer	The IEstimator<TTransformer> pro trénování přibližné PCA pomocí randomizovaného algoritmu SVD.
RandomizedPcaTrainer.Options	Možnosti pro, jak se RandomizedPcaTrainer používá v RandomizedPca(Options).
RegressionModelParameters	Parametry modelu pro regresi
SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase	Možnosti pro SdcaBinaryTrainerBase<TModelParameters>.
SdcaBinaryTrainerBase<TModelParameters>	SDCA je obecný trénovací algoritmus pro (zobecněné) lineární modely, jako je podpůrný vektorový stroj, lineární regrese, logistická regrese atd. Řada školitelů binární klasifikace SDCA obsahuje několik zapečetěných členů: (1) SdcaNonCalibratedBinaryTrainer podporuje obecné ztrátové funkce a vrací LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer v podstatě trénuje model regularizované logistické regrese. Vzhledem k tomu, že logistická regrese přirozeně poskytuje výstup pravděpodobnosti, je CalibratedModelParametersBase<TSubModel,TCalibrator>tento vygenerovaný model typu . kde TSubModel je LinearBinaryModelParameters a TCalibrator je PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer	Pro IEstimator<TTransformer> trénování binárního modelu klasifikace logistické regrese pomocí stochastické metody duální souřadnice. Natrénovaný model je kalibrován a může vytvořit pravděpodobnost tím, že výstupní hodnotu lineární funkce dosadí .PlattCalibrator
SdcaLogisticRegressionBinaryTrainer.Options	Možnosti pro, jak se SdcaLogisticRegressionBinaryTrainer používá v SdcaLogisticRegression(Options).
SdcaMaximumEntropyMulticlassTrainer	Chcete-li IEstimator<TTransformer> předpovědět cíl pomocí klasifikátoru maximální entropie s více třídami. Natrénovaný model MaximumEntropyModelParameters vytváří pravděpodobnosti tříd.
SdcaMaximumEntropyMulticlassTrainer.Options	SdcaMaximumEntropyMulticlassTrainer.Options pro SdcaMaximumEntropyMulticlassTrainer , jak se používá v SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
SdcaMulticlassTrainerBase<TModel>.MulticlassOptions	Možnosti pro SdcaMulticlassTrainerBase<TModel>.
SdcaMulticlassTrainerBase<TModel>	Chcete-li IEstimator<TTransformer> předpovědět cíl pomocí lineárního klasifikátoru s více třídami vytrénovaným metodou souřadnicového sestupu. V závislosti na použité ztrátové funkci může být trénovaným modelem například klasifikátor maximální entropie nebo podpůrný vektorový stroj s více třídami.
SdcaNonCalibratedBinaryTrainer	Pro IEstimator<TTransformer> trénování binárního klasifikačního modelu logistické regrese pomocí metody stochastického výstupu duální souřadnice.
SdcaNonCalibratedBinaryTrainer.Options	Možnosti pro SdcaNonCalibratedBinaryTrainer.
SdcaNonCalibratedMulticlassTrainer	PředpovědětIEstimator<TTransformer> cíl pomocí lineárního klasifikátoru s více třídami. Vytrénovaný model LinearMulticlassModelParameters vytváří pravděpodobnosti tříd.
SdcaNonCalibratedMulticlassTrainer.Options	SdcaNonCalibratedMulticlassTrainer.Options pro SdcaNonCalibratedMulticlassTrainer , jak se používá v SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).
SdcaRegressionTrainer	Pro IEstimator<TTransformer> trénování regresního modelu pomocí metody stochastického výstupu se dvěma souřadnicemi.
SdcaRegressionTrainer.Options	Možnosti pro SdcaRegressionTrainer.
SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Možnosti pro školitele založené na SDCA.
SdcaTrainerBase<TOptions,TTransformer,TModel>	Obor názvů obsahující školitele, parametry modelu a nástroje
SgdBinaryTrainerBase<TModel>.OptionsBase	Obor názvů obsahující školitele, parametry modelu a nástroje
SgdBinaryTrainerBase<TModel>	Obor názvů obsahující školitele, parametry modelu a nástroje
SgdCalibratedTrainer	Pro IEstimator<TTransformer> trénování logistické regrese pomocí metody paralelního stochastického gradientu. Vytrénovaný model je kalibrován a může vytvořit pravděpodobnost tím, že výstupní hodnotu lineární funkce předá do PlattCalibrator.
SgdCalibratedTrainer.Options	Možnosti pro, jak se SgdCalibratedTrainer používají v SgdCalibrated(Options).
SgdNonCalibratedTrainer	Pro IEstimator<TTransformer> trénování logistické regrese pomocí metody paralelního stochastického gradientu.
SgdNonCalibratedTrainer.Options	Možnosti pro, SgdNonCalibratedTrainer jak se používají v SgdNonCalibrated(Options).
SmoothedHingeLoss	Plynulá verze funkce, která se HingeLoss běžně používá v úlohách klasifikace.
SquaredLoss	Kvadraná ztráta, běžně používaná v regresních úlohách.
StochasticTrainerBase<TTransformer,TModel>	Obor názvů obsahující školitele, parametry modelu a nástroje
SymbolicSgdLogisticRegressionBinaryTrainer	Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného pomocí symbolického stochastického gradientního sestupu.
SymbolicSgdLogisticRegressionBinaryTrainer.Options	Možnosti pro, jak se SymbolicSgdLogisticRegressionBinaryTrainer používají v SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).
TrainerEstimatorBase<TTransformer,TModel>	Představuje základní třídu pro "jednoduchého školitele". "Jednoduchý školitel" přijímá jeden sloupec funkce a jeden sloupec popisku, volitelně také sloupec hmotnosti. Vytváří "prediktivní transformátor".
TrainerEstimatorBaseWithGroupId<TTransformer,TModel>	Představuje základní třídu pro "jednoduchého školitele". "Jednoduchý školitel" přijímá jeden sloupec funkce a jeden sloupec popisku, volitelně také sloupec hmotnosti. Vytváří "prediktivní transformátor".
TrainerInputBase	Základní třída pro všechny vstupy školitele.
TrainerInputBaseWithGroupId	Základní třída pro všechny vstupy školitele, které podporují skupinový sloupec.
TrainerInputBaseWithLabel	Základní třída pro všechny vstupy školitele, které podporují sloupec Label.
TrainerInputBaseWithWeight	Základní třída pro všechny vstupy trenéra, které podporují sloupec hmotnosti.
TweedieLoss	Ztráta tweedie na základě pravděpodobnosti rozdělení tweedie v protokolu. Tato funkce ztráty se používá v regresi Tweedie.
UnsupervisedTrainerInputBaseWithWeight	Základní třída pro všechny vstupy školitele bez supervize, které podporují sloupec hmotnosti.

Struktury

LsrDecay.LearningRateSchedulerItem

Tato struktura představuje typ položky plánovače rychlosti učení.

Rozhraní

ICalculateFeatureContribution	Umožňuje podporu výpočtu příspěvku funkce podle parametrů modelu.
IClassificationLoss	Obor názvů obsahující školitele, parametry modelu a nástroje
ILossFunction<TOutput,TLabel>	Obor názvů obsahující školitele, parametry modelu a nástroje
IRegressionLoss	Obor názvů obsahující školitele, parametry modelu a nástroje
IScalarLoss	Obor názvů obsahující školitele, parametry modelu a nástroje
ISupportSdcaClassificationLoss	Obor názvů obsahující školitele, parametry modelu a nástroje
ISupportSdcaLoss	Funkce ztráty může znát blízké řešení optimální duální aktualizace Ref: Sec(6.2) of http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf
ISupportSdcaRegressionLoss	Obor názvů obsahující školitele, parametry modelu a nástroje
ITrainerEstimator<TTransformer,TModel>	Rozhraní pro trainer Estimator.

Výčty

KMeansTrainer.InitializationAlgorithm

Obor názvů obsahující školitele, parametry modelu a nástroje