|
CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)
|
Vytvořte objekt CustomMappingEstimator<TSrc,TDst>, který použije vlastní mapování vstupních sloupců na výstupní sloupce.
|
|
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)
|
StatefulCustomMappingEstimator<TSrc,TDst,TState>Vytvořte objekt , který použije vlastní mapování vstupních sloupců na výstupní sloupce a zároveň povolí stav kurzoru.
|
|
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)
|
Vytvořte skóre FeatureContributionCalculatingEstimator příspěvku specifického pro model pro každou funkci vstupního vektoru.
|
|
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog,
ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters,
TCalibrator>>, Int32, Int32, Boolean)
|
Vytvořte skóre FeatureContributionCalculatingEstimator příspěvku specifického pro model pro každou funkci vstupního vektoru. Podporuje kalibrované modely.
|
|
Expression(TransformsCatalog, String, String, String[])
|
Vytvoří .ExpressionEstimator
|
|
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])
|
MissingValueIndicatorEstimatorVytvořte , který zkopíruje data ze sloupce zadaného InputColumnName do nového sloupce: OutputColumnName.
|
|
IndicateMissingValues(TransformsCatalog, String, String)
|
MissingValueIndicatorEstimatorVytvořte objekt , který skenuje data ze sloupce zadaného ve inputColumnName sloupci a vyplní nový sloupec zadaný vektorem outputColumnName logických hodnot, kde i-th bool má hodnotutrue, pokud i-th prvek v datech sloupce chybí hodnota a false v opačném případě.
|
|
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)
|
Vytvořte ColumnCopyingEstimator, který zkopíruje data ze sloupce zadaného InputColumnName do nového sloupce: OutputColumnName a nahradí chybějící hodnoty v něm podle replacementMode.
|
|
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)
|
Vytvořte MissingValueReplacingEstimator, který zkopíruje data ze sloupce zadaného inputColumnName do nového sloupce: outputColumnName a nahradí chybějící hodnoty v něm podle replacementMode.
|
|
ConvertToGrayscale(TransformsCatalog, String, String)
|
ImageGrayscalingEstimatorVytvořte obrázek, který převede obrázky ve sloupci zadaném na InputColumnName obrázky ve stupních šedé v novém sloupci: OutputColumnName.
|
|
ConvertToImage(TransformsCatalog, Int32, Int32, String, String,
ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder,
Boolean, Single, Single, Int32, Int32, Int32, Int32)
|
Vytvořte VectorToImageConvertingEstimatorobrázek, který vytvoří obrázek z dat ze sloupce zadaného do inputColumnName nového sloupce: outputColumnName.
|
|
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits,
ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single,
Boolean)
|
ImagePixelExtractingEstimatorVytvořte objekt , který extrahuje hodnoty pixelů z dat zadaných ve sloupci: inputColumnName do nového sloupce: outputColumnName.
|
|
LoadImages(TransformsCatalog, String, String, String)
|
Vytvořte ImageLoadingEstimatorobjekt , který načte data ze sloupce zadaného inputColumnName jako obrázek do nového sloupce: outputColumnName.
|
|
LoadRawImageBytes(TransformsCatalog, String, String, String)
|
ImageLoadingEstimatorVytvořte objekt , který načte data ze sloupce zadaného jako inputColumnName obrázek nezpracovaných bajtů do nového sloupce: outputColumnName.
|
|
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)
|
Vytvořte obrázek ImageResizingEstimator, který změní velikost obrázku ze sloupce zadaného inputColumnName na nový sloupec: outputColumnName.
|
|
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)
|
Vytvořte, ApproximatedKernelMappingEstimator která mapuje vstupní vektory na prostor s nízkou dimenzionální funkcí, kde vnitřní produkty přibližují funkci invariantního jádra posunu.
|
|
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)
|
Vezme sloupec vyplněný vektorem náhodných proměnných se známou maticí kovariance do sady nových proměnných, jejichž kovariance je matice identity, což znamená, že nejsou korektorní a každá má odchylku 1.
|
|
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)
|
Vytvořte NormalizingEstimator, která normalizuje přiřazením dat do intervalů se stejnou hustotou.
|
|
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)
|
Vytvořte NormalizingEstimator, která normalizuje přiřazením dat do intervalů se stejnou hustotou.
|
|
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)
|
Vytvořte GlobalContrastNormalizingEstimator, který normalizuje sloupce jednotlivě s použitím normalizace globálního kontrastu.
Nastavení ensureZeroMean na truehodnotu , použije krok předběžného zpracování, aby byl střední hodnota zadaného sloupce nulovým vektorem.
|
|
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě vypočítané střední hodnoty a odchylky logaritmu dat.
|
|
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě vypočítané střední hodnoty a odchylky logaritmu dat.
|
|
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě vypočítané střední hodnoty a odchylky logaritmu dat.
|
|
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě vypočítané střední hodnoty a odchylky logaritmu dat.
|
|
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)
|
LpNormNormalizingEstimatorVytvořte vektory , které normalizuje (škáluje) ve vstupním sloupci na normu jednotek.
Typ normy, která se používá, je definována .norm Nastavení ensureZeroMean na truehodnotu , použije krok předběžného zpracování, aby byl střední hodnota zadaného sloupce nulovým vektorem.
|
|
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě vypočítané střední hodnoty a odchylky dat.
|
|
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě vypočítané střední hodnoty a odchylky dat.
|
|
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě pozorovaných minimálních a maximálních hodnot dat.
|
|
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)
|
Vytvořte NormalizingEstimator, která normalizuje na základě pozorovaných minimálních a maximálních hodnot dat.
|
|
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)
|
NormalizingEstimatorVytvořte , která normalizuje použití statistik, které jsou robustní pro odlehlé hodnoty, na střed dat kolem 0 (odebrání mediánu) a škáluje data podle rozsahu kvantilí (výchozí hodnota je oblast interquartilu).
|
|
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)
|
NormalizingEstimatorVytvořte , která normalizuje použití statistik, které jsou robustní pro odlehlé hodnoty, na střed dat kolem 0 (odebrání mediánu) a škáluje data podle rozsahu kvantilí (výchozí hodnota je oblast interquartilu).
|
|
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)
|
Vytvořte NormalizingEstimator, která normalizuje přiřazením dat do intervalů na základě korelace se sloupcem labelColumnName .
|
|
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)
|
Vytvořte NormalizingEstimator, která normalizuje přiřazením dat do intervalů na základě korelace se sloupcem labelColumnName .
|
|
ApplyOnnxModel(TransformsCatalog, OnnxOptions)
|
Vytvořte OnnxScoringEstimator pomocí zadaného OnnxOptionsparametru .
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
|
OnnxScoringEstimatorVytvořte pro vstupní sloupec předem natrénovaný model Onnx.
Vstupní a výstupní sloupce se určují na základě vstupních a výstupních sloupců zadaného modelu ONNX.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)
|
OnnxScoringEstimatorVytvořte pro vstupní sloupec předem natrénovaný model Onnx.
Vstupní a výstupní sloupce se určují na základě vstupních a výstupních sloupců zadaného modelu ONNX.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
|
Vytvořte OnnxScoringEstimatorpro sloupec předem natrénovaný model inputColumnName Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)
|
Vytvořte OnnxScoringEstimatorpro sloupec předem natrénovaný model inputColumnName Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
|
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model inputColumnNames Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)
|
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model inputColumnNames Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)
|
OnnxScoringEstimatorVytvořte pro sloupce předem vytrénovaný model inputColumnNames Onnx.
Další informace o nezbytných závislostech a jeho spuštění na GPU najdete v tématu OnnxScoringEstimator .
|
|
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)
|
Vytvořte DnnImageFeaturizerEstimator, který použije jeden z předem natrénovaných modelů DNN k DnnImageModelSelector featurizaci obrázku.
|
|
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)
|
Inicializuje novou instanci PrincipalComponentAnalyzer.
|
|
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)
|
Vytvořte SrCnnAnomalyEstimator, který detekuje anomálie časových intervalů pomocí algoritmu SRCNN.
|
|
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)
|
Vytvořte SsaChangePointEstimator, který predikuje body změn v časových řadách pomocí jednotné analýzy spektra (SSA).
|
|
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)
|
Zastaralé.
Vytvořte SsaChangePointEstimator, který predikuje body změn v časových řadách pomocí jednotné analýzy spektra (SSA).
|
|
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)
|
Vytvořte IidChangePointEstimator, která predikuje body změn v nezávislé identické distribuované časové řadě (tj. i.d.) na základě odhadů adaptivní hustoty jádra a skóre martingale.
|
|
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)
|
Zastaralé.
Vytvořte IidChangePointEstimator, která predikuje body změn v nezávislé identické distribuované časové řadě (tj. i.d.) na základě odhadů adaptivní hustoty jádra a skóre martingale.
|
|
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)
|
Vytvořte IidSpikeEstimator, což predikuje špičky v nezávisle identicky distribuovaných časových řadách (tj. i.d.) na základě odhadů adaptivní hustoty jádra a skóre martingale.
|
|
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)
|
Zastaralé.
Vytvořte IidSpikeEstimator, což predikuje špičky v nezávisle identicky distribuovaných časových řadách (tj. i.d.) na základě odhadů adaptivní hustoty jádra a skóre martingale.
|
|
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)
|
Vytvořte SsaSpikeEstimator, což predikuje špičky v časových řadách pomocí analýzy jednotného spektra (SSA).
|
|
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)
|
Zastaralé.
Vytvořte SsaSpikeEstimator, což predikuje špičky v časových řadách pomocí analýzy jednotného spektra (SSA).
|
|
Concatenate(TransformsCatalog, String, String[])
|
Vytvořte ColumnConcatenatingEstimatorsloupec , který zřetězí jeden nebo více vstupních sloupců do nového výstupního sloupce.
|
|
CopyColumns(TransformsCatalog, String, String)
|
ColumnCopyingEstimatorVytvořte , který zkopíruje data ze sloupce zadaného inputColumnName do nového sloupce: outputColumnName.
|
|
DropColumns(TransformsCatalog, String[])
|
Vytvořte , který zahodí ColumnSelectingEstimatordaný seznam sloupců z objektu IDataView. Ve výstupu se zachová libovolný sloupec, který není zadán.
|
|
SelectColumns(TransformsCatalog, String[])
|
ColumnSelectingEstimatorVytvořte soubor , který zachová daný seznam sloupců v seznamu IDataView a ostatní zahodí.
|
|
SelectColumns(TransformsCatalog, String[], Boolean)
|
ColumnSelectingEstimatorVytvořte soubor , který zachová daný seznam sloupců v seznamu IDataView a ostatní zahodí.
|
|
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)
|
Vytvořit FastForestBinaryFeaturizationEstimator, který se používá FastForestBinaryTrainer k trénovat TreeEnsembleModelParameters k vytváření funkcí založených na stromové struktuře.
|
|
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)
|
Vytvořit FastForestRegressionFeaturizationEstimator, který se používá FastForestRegressionTrainer k trénovat TreeEnsembleModelParameters k vytváření funkcí založených na stromové struktuře.
|
|
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)
|
Vytvořit FastTreeBinaryFeaturizationEstimator, který se používá FastTreeBinaryTrainer k trénovat TreeEnsembleModelParameters k vytváření funkcí založených na stromové struktuře.
|
|
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)
|
Vytvořit FastTreeRankingFeaturizationEstimator, který se používá FastTreeRankingTrainer k trénovat TreeEnsembleModelParameters k vytváření funkcí založených na stromové struktuře.
|
|
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)
|
Vytvořit FastTreeRegressionFeaturizationEstimator, který se používá FastTreeRegressionTrainer k trénovat TreeEnsembleModelParameters k vytváření funkcí založených na stromové struktuře.
|
|
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)
|
Vytvořit FastTreeTweedieFeaturizationEstimator, který se používá FastTreeTweedieTrainer k trénovat TreeEnsembleModelParameters k vytváření funkcí založených na stromové struktuře.
|
|
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)
|
Vytvořit PretrainedTreeFeaturizationEstimator, který vytváří stromové funkce dané .TreeEnsembleModelParameters
|