TransformsCatalog Klasse

Definition

Namespace:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v2.0.0

Klasse, die verwendet MLContext wird, um Instanzen von Transformationskomponenten zu erstellen.

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

Vererbung

Object

TransformsCatalog

Eigenschaften

Categorical	Die Liste der Vorgänge über kategorisierte Daten.
Conversion	Die Liste der Vorgänge für die Datentypkonvertierung.
FeatureSelection	Die Liste der Vorgänge für die Auswahl von Features basierend auf einigen Kriterien.
Text	Die Liste der Vorgänge zur Verarbeitung von Textdaten.

Erweiterungsmethoden

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	Erstellen Sie eine CustomMappingEstimator<TSrc,TDst>benutzerdefinierte Zuordnung von Eingabespalten auf Ausgabespalten.
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	Erstellen Sie eine StatefulCustomMappingEstimator<TSrc,TDst,TState>benutzerdefinierte Zuordnung von Eingabespalten auf Ausgabespalten, während sie einen Cursorstatus zulassen.
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	Erstellen Sie eine FeatureContributionCalculatingEstimator , die modellspezifische Beitragsbewertungen für jedes Feature des Eingabevektors berechnet.
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	Erstellen Sie eine FeatureContributionCalculatingEstimator , die modellspezifische Beitragsbewertungen für jedes Feature des Eingabevektors berechnet. Unterstützt kalibrierte Modelle.
Expression(TransformsCatalog, String, String, String[])	Erstellt ein ExpressionEstimator.
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	Erstellen Sie einen MissingValueIndicatorEstimator, der die Daten aus der in InputColumnName einer neuen Spalte angegebenen Spalte kopiert: OutputColumnName
IndicateMissingValues(TransformsCatalog, String, String)	Erstellen Sie einen MissingValueIndicatorEstimatorWert, der die Daten aus der in der Spalte angegebenen inputColumnName Spalte durchsucht und neue Spalte ausfüllt, die in einem Vektor von Bools angegeben outputColumnName ist, bei dem i-th bool wert true ist, wenn das i-th-Element in Spaltendaten keinen Wert hat und false andernfalls.
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	Erstellen Sie einen ColumnCopyingEstimatorWert, der die Daten aus der spalte kopiert, die in InputColumnName einer neuen Spalte angegeben ist: OutputColumnName und ersetzt fehlende Werte in dieser Spalte nach replacementMode.
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	Erstellen Sie einen MissingValueReplacingEstimatorWert, der die Daten aus der spalte kopiert, die in inputColumnName einer neuen Spalte angegeben ist: outputColumnName und ersetzt fehlende Werte in dieser Spalte nach replacementMode.
ConvertToGrayscale(TransformsCatalog, String, String)	Erstellen Sie eine ImageGrayscalingEstimator, die Bilder in der Spalte konvertiert, die in InputColumnName Graustufenbildern in einer neuen Spalte angegeben ist: OutputColumnName
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	Erstellen Sie ein VectorToImageConvertingEstimatorBild, das Bilder aus den Daten aus der Spalte erstellt, die in inputColumnName einer neuen Spalte angegeben ist: outputColumnName
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	Erstellen Sie einen ImagePixelExtractingEstimatorWert, der Pixelwerte aus den daten extrahiert, die in Spalte angegeben sind: inputColumnName in eine neue Spalte: outputColumnName
LoadImages(TransformsCatalog, String, String, String)	Erstellen Sie eine ImageLoadingEstimator, die die Daten aus der Spalte lädt, die als Bild in inputColumnName einer neuen Spalte angegeben ist: outputColumnName
LoadRawImageBytes(TransformsCatalog, String, String, String)	Erstellen Sie eine ImageLoadingEstimator, die die Daten aus der Spalte lädt, die als inputColumnName Bild von rohen Bytes in eine neue Spalte angegeben ist: outputColumnName
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	Erstellen Sie ein ImageResizingEstimator, das die Größe des Bilds aus der spalte ändert, die in inputColumnName einer neuen Spalte angegeben ist: outputColumnName
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	Erstellen Sie eine ApproximatedKernelMappingEstimator Vektoren, die Eingabevektoren zu einem unterendimensionalen Featureraum ordnet, in dem innere Produkte eine Umschalt-Invariant-Kernelfunktion angibt.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Nimmt spalte, die mit einem Vektor zufälliger Variablen mit einer bekannten Kovarianzmatrix in eine Reihe neuer Variablen gefüllt ist, deren Kovarianz die Identitätsmatrix ist, d. h. sie sind nicht korreliert und jede hat Varianz 1.
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	Erstellen Sie eine NormalizingEstimator, die normalisiert, indem Sie die Daten in Bins mit gleicher Dichte zuweisen.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	Erstellen Sie eine NormalizingEstimator, die normalisiert, indem Sie die Daten in Bins mit gleicher Dichte zuweisen.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Erstellen Sie eine GlobalContrastNormalizingEstimator, die Spalten einzeln mit der globalen Kontrast normalisierung normalisiert. Die Einstellung ensureZeroMean auf true, wendet einen Vorverarbeitungsschritt an, um den Mittelwert der angegebenen Spalte als Nullvektor zu gestalten.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittel und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittel und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittel und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittel und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	Erstellen Sie eine LpNormNormalizingEstimator, die Vektoren (Skalen) in der Eingabespalte in der Einheitsnorm normalisiert. Der Typ der Norm, die verwendet wird, wird durch normdefiniert. Die Einstellung ensureZeroMean auf true, wendet einen Vorverarbeitungsschritt an, um den Mittelwert der angegebenen Spalte als Nullvektor zu gestalten.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf der berechneten Mittel- und Varianz der Daten normalisiert.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf der berechneten Mittel- und Varianz der Daten normalisiert.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf den beobachteten Mindest- und Höchstwerten der Daten normalisiert.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf den beobachteten Mindest- und Höchstwerten der Daten normalisiert.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	Erstellen Sie einen NormalizingEstimatorWert, der die Verwendung von Statistiken normalisiert, die robust für Auslöser sind, indem sie die Daten um 0 (Das Entfernen des Medians) zentriert und die Daten entsprechend dem Quantilebereich skaliert (Standardeinstellung für den Interquartilbereich).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	Erstellen Sie einen NormalizingEstimatorWert, der die Verwendung von Statistiken normalisiert, die robust für Auslöser sind, indem sie die Daten um 0 (Das Entfernen des Medians) zentriert und die Daten entsprechend dem Quantilebereich skaliert (Standardeinstellung für den Interquartilbereich).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	Erstellen Sie einen NormalizingEstimatorWert, der durch Zuweisen der Daten in Bins basierend auf der Korrelation mit der labelColumnName Spalte normalisiert wird.
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	Erstellen Sie einen NormalizingEstimatorWert, der durch Zuweisen der Daten in Bins basierend auf der Korrelation mit der labelColumnName Spalte normalisiert wird.
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	Erstellen Sie eine OnnxScoringEstimator Verwendung der angegebenen OnnxOptions. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die Eingabespalte anwendet. Eingabe-/Ausgabespalten werden basierend auf den Eingabe-/Ausgabespalten des bereitgestellten ONNX-Modells bestimmt. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die Eingabespalte anwendet. Eingabe-/Ausgabespalten werden basierend auf den Eingabe-/Ausgabespalten des bereitgestellten ONNX-Modells bestimmt. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die inputColumnName Spalte anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die inputColumnName Spalte anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die inputColumnNames Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die inputColumnNames Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	Erstellen Sie einen OnnxScoringEstimator, der ein vorab trainiertes Onnx-Modell auf die inputColumnNames Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zum Ausführen auf einer GPU finden OnnxScoringEstimator Sie unter .
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Erstellen Sie DnnImageFeaturizerEstimator, was eine der vorab trainierten DNN-Modelle DnnImageModelSelector anwendet, um ein Bild zu featurieren.
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	Initialisiert eine neue Instanz von PrincipalComponentAnalyzer.
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Erstellen Sie SrCnnAnomalyEstimator, die Zeitserien-Anomalien mithilfe des SRCNN-Algorithmus erkennt.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Erstellen Sie SsaChangePointEstimator, die Änderungspunkte in der Zeitreihe mit Singular Spectrum Analysis (SSA) vorhersagt.
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Veraltet. Erstellen Sie SsaChangePointEstimator, die Änderungspunkte in der Zeitreihe mit Singular Spectrum Analysis (SSA) vorhersagt.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Erstellen Sie IidChangePointEstimator, die Änderungspunkte in einer unabhängigen identisch verteilten (i.i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Veraltet. Erstellen Sie IidChangePointEstimator, die Änderungspunkte in einer unabhängigen identisch verteilten (i.i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängig verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Veraltet. Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängig verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Erstellen Sie SsaSpikeEstimator, die Spitzen in der Zeitreihe mit Singular Spectrum Analysis (SSA) vorhersagt.
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Veraltet. Erstellen Sie SsaSpikeEstimator, die Spitzen in der Zeitreihe mit Singular Spectrum Analysis (SSA) vorhersagt.
Concatenate(TransformsCatalog, String, String[])	Erstellen Sie eine , die eine ColumnConcatenatingEstimatoroder mehrere Eingabespalten in eine neue Ausgabespalte verketten.
CopyColumns(TransformsCatalog, String, String)	Erstellen Sie einen ColumnCopyingEstimator, der die Daten aus der in inputColumnName einer neuen Spalte angegebenen Spalte kopiert: outputColumnName
DropColumns(TransformsCatalog, String[])	Erstellen Sie eine , die eine ColumnSelectingEstimatorbestimmte Liste von Spalten aus einer IDataView. Jede spalte, die nicht angegeben ist, wird in der Ausgabe beibehalten.
SelectColumns(TransformsCatalog, String[])	Erstellen Sie eine , die eine ColumnSelectingEstimatorbestimmte Liste von Spalten in einer IDataView und legt die anderen ab.
SelectColumns(TransformsCatalog, String[], Boolean)	Erstellen Sie eine , die eine ColumnSelectingEstimatorbestimmte Liste von Spalten in einer IDataView und legt die anderen ab.
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Erstellen Sie , die zum Trainieren FastForestBinaryFeaturizationEstimatorverwendet FastForestBinaryTrainer wird TreeEnsembleModelParameters , um strukturbasierte Features zu erstellen.
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Erstellen Sie , die zum Trainieren FastForestRegressionFeaturizationEstimatorverwendet FastForestRegressionTrainer wird TreeEnsembleModelParameters , um strukturbasierte Features zu erstellen.
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Erstellen Sie , die zum Trainieren FastTreeBinaryFeaturizationEstimatorverwendet FastTreeBinaryTrainer wird TreeEnsembleModelParameters , um strukturbasierte Features zu erstellen.
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Erstellen Sie , die zum Trainieren FastTreeRankingFeaturizationEstimatorverwendet FastTreeRankingTrainer wird TreeEnsembleModelParameters , um strukturbasierte Features zu erstellen.
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Erstellen Sie , die zum Trainieren FastTreeRegressionFeaturizationEstimatorverwendet FastTreeRegressionTrainer wird TreeEnsembleModelParameters , um strukturbasierte Features zu erstellen.
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Erstellen Sie , die zum Trainieren FastTreeTweedieFeaturizationEstimatorverwendet FastTreeTweedieTrainer wird TreeEnsembleModelParameters , um strukturbasierte Features zu erstellen.
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	Erstellen Sie PretrainedTreeFeaturizationEstimator, die strukturbasierte Features mit einer TreeEnsembleModelParametersAngabe erstellt.