Partager via


Microsoft.ML.Trainers Espace de noms

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Classes

AveragedLinearOptions

Classe Arguments pour les entraîneurs linéaires moyens.

AveragedLinearTrainer<TTransformer,TModel>

Classe de base pour les entraîneurs linéaires moyens.

AveragedPerceptronTrainer

pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec le perceptron moyen.

AveragedPerceptronTrainer.Options

Options pour le AveragedPerceptronTrainer telles qu’utilisées dans AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

CoefficientStatistics

Représente un objet de statistiques de coefficient contenant des statistiques sur les paramètres de modèle calculés.

ComputeLogisticRegressionStandardDeviation

Calcule la matrice d’écart-type de chacun des poids d’entraînement non nuls, nécessaires pour calculer davantage l’écart-type, la valeur p et le z-Score. Utilisez l’implémentation de cette classe dans le package Microsoft.ML.Mkl.Components qui utilise la bibliothèque de noyaux Mathématiques Intel. En raison de l’existence de la régularisation, une approximation est utilisée pour calculer les variances des coefficients linéaires entraînés.

ComputeLRTrainingStdThroughMkl

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

ExpLoss

Perte exponentielle, couramment utilisée dans les tâches de classification.

ExponentialLRDecay

Cette classe implémente la dégradation du taux d’apprentissage exponentiel. Implémenté à partir de la documentation tensorflow. Source : https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Les valeurs par défaut et l’implémentation du taux d’apprentissage proviennent des tests de modèle Tensorflow Slim. Source : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

FeatureContributionCalculator

Prise en charge du calcul de la contribution aux fonctionnalités.

FieldAwareFactorizationMachineModelParameters

Paramètres de modèle pour FieldAwareFactorizationMachineTrainer.

FieldAwareFactorizationMachinePredictionTransformer

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

FieldAwareFactorizationMachineTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de machine de factorisation prenant en compte le champ entraîné à l’aide d’une méthode de gradient stochastique.

FieldAwareFactorizationMachineTrainer.Options

FieldAwareFactorizationMachineTrainer.Options pour FieldAwareFactorizationMachineTrainer comme utilisé dans FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

HingeLoss

Perte de charnière, couramment utilisé dans les tâches de classification.

KMeansModelParameters

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

KMeansTrainer

pour IEstimator<TTransformer> la formation d’un clusterer KMeans

KMeansTrainer.Options

Options pour le KMeansTrainer comme utilisé dans KMeansTrainer(Options).

LbfgsLogisticRegressionBinaryTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de régression logistique linéaire entraîné avec la méthode L-BFGS.

LbfgsLogisticRegressionBinaryTrainer.Options

Options pour le tel qu’utilisé LbfgsLogisticRegressionBinaryTrainer dans LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

LbfgsMaximumEntropyMulticlassTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un classifieur multiclasse d’entropie maximale entraîné avec la méthode L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options

LbfgsMaximumEntropyMulticlassTrainer.Options pour LbfgsMaximumEntropyMulticlassTrainer comme utilisé dans LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

LbfgsPoissonRegressionTrainer

IEstimator<TTransformer> pour l’entraînement d’un modèle de régression Poisson.

LbfgsPoissonRegressionTrainer.Options

Options pour le LbfgsPoissonRegressionTrainer comme utilisé dans LbfgsPoissonRegression(Options).

LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Classe d’options de base pour les estimateurs de formateur dérivés.LbfgsTrainerBase<TOptions,TTransformer,TModel>

LbfgsTrainerBase<TOptions,TTransformer,TModel>

Classe de base pour les formateurs basés sur L-BFGS.

LdSvmModelParameters

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

LdSvmTrainer

pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire non linéaire entraîné avec la machine virtuelle SVM profonde locale.

LdSvmTrainer.Options

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

LearningRateScheduler

Cette classe abstraite définit un planificateur de taux d’apprentissage.

LinearBinaryModelParameters

Classe de paramètres de modèle pour les estimateurs de formateur binaire linéaire.

LinearModelParameters

Classe de base pour les paramètres de modèle linéaire.

LinearModelParameterStatistics

Statistiques pour les paramètres de modèle linéaire.

LinearMulticlassModelParameters

Modèle linéaire des classifieurs multiclasses. Il génère des scores bruts de tous ses modèles linéaires, et aucune sortie probablistique n’est fournie.

LinearMulticlassModelParametersBase

Modèle linéaire commun des classifieurs multiclasses. LinearMulticlassModelParameters contient un seul modèle linéaire par classe.

LinearRegressionModelParameters

Paramètres de modèle pour la régression linéaire.

LinearSvmTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec une machine virtuelle linéaire.

LinearSvmTrainer.Options

Options pour le LinearSvmTrainer telles qu’utilisées dans LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

LinearTrainerBase<TTransformer,TModel>

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

LogLoss

Perte de journal, également appelée perte d’entropie croisée. Il est couramment utilisé dans les tâches de classification.

LsrDecay

Cette classe implémente la règle de mise à l’échelle linéaire et la désintégration LR. Implémentation adoptée à partir du test de référence RESNET-CIFAR dans Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

MatrixFactorizationTrainer

pour prédire les IEstimator<TTransformer> éléments d’une matrice à l’aide de la factorisation matricielle (également appelée type de filtrage collaboratif).

MatrixFactorizationTrainer.Options

Options pour le MatrixFactorizationTrainer telles qu’utilisées dans MatrixFactorization(Options).

MaximumEntropyModelParameters

Modèle d’entropie maximale linéaire des classifieurs multiclasses. Il génère des probabilités de classes. Ce modèle est également appelé régression logistique multinomiale. https://en.wikipedia.org/wiki/Multinomial_logistic_regression Consultez pour plus d’informations.

MetaMulticlassTrainer<TTransformer,TModel>

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

ModelParametersBase<TOutput>

Classe de base générique pour tous les paramètres de modèle.

ModelStatisticsBase

Statistiques pour les paramètres de modèle linéaire.

NaiveBayesMulticlassModelParameters

Paramètres de modèle pour NaiveBayesMulticlassTrainer.

NaiveBayesMulticlassTrainer

IEstimator<TTransformer> pour l’apprentissage d’un modèle Naive Bayes multiclasse qui prend en charge les valeurs de fonctionnalité binaires.

OlsModelParameters

Paramètres de modèle pour OlsTrainer.

OlsTrainer

IEstimator<TTransformer> pour l’apprentissage d’un modèle de régression linéaire à l’aide de moindres carrés ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire.

OlsTrainer.Options

Options pour le OlsTrainer tel qu’utilisé dans Ols(Options)

OneVersusAllModelParameters

Paramètres de modèle pour OneVersusAllTrainer.

OneVersusAllTrainer

IEstimator<TTransformer> pour l’apprentissage d’un classifieur multiclasse un contre tous qui utilise le classifieur binaire spécifié.

OnlineGradientDescentTrainer

pour IEstimator<TTransformer> l’apprentissage d’un modèle de régression linéaire à l’aide de la descente de gradient en ligne (OGD) pour estimer les paramètres du modèle de régression linéaire.

OnlineGradientDescentTrainer.Options

Options pour le OnlineGradientDescentTrainer comme utilisé dans OnlineGradientDescent(Options).

OnlineLinearOptions

Classe Arguments pour les formateurs linéaires en ligne.

OnlineLinearTrainer<TTransformer,TModel>

Classe de base pour les entraîneurs linéaires en ligne. Les formateurs en ligne peuvent être mis à jour de manière incrémentielle avec des données supplémentaires.

PairwiseCouplingModelParameters

Paramètres de modèle pour PairwiseCouplingTrainer.

PairwiseCouplingTrainer

IEstimator<TTransformer> pour l’apprentissage d’un classifieur multiclasse couplé par paire qui utilise le classifieur binaire spécifié.

PcaModelParameters

Paramètres de modèle pour RandomizedPcaTrainer.

PoissonLoss

Fonction Perte de poisson pour La régression de Poisson.

PoissonRegressionModelParameters

Paramètres de modèle pour la régression de Poisson.

PolynomialLRDecay

Cette classe implémente la désintégration du taux d’apprentissage polynomial. Implémenté à partir de la documentation tensorflow. Source : https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Les valeurs par défaut et l’implémentation du taux d’apprentissage proviennent des tests de modèle Tensorflow Slim. Source : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

PriorModelParameters

Paramètres de modèle pour PriorTrainer.

PriorTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classification binaire.

RandomizedPcaTrainer

pour IEstimator<TTransformer> l’entraînement d’un PCA approximatif à l’aide d’un algorithme SVD aléatoire.

RandomizedPcaTrainer.Options

Options pour le RandomizedPcaTrainer comme utilisé dans RandomdPca(Options).

RegressionModelParameters

Paramètres de modèle pour la régression.

SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase

Options pour SdcaBinaryTrainerBase<TModelParameters>.

SdcaBinaryTrainerBase<TModelParameters>

SDCA est un algorithme d’entraînement général pour les modèles linéaires (généralisés), tels que la machine à vecteurs de prise en charge, la régression linéaire, la régression logistique, etc. La famille de formateurs de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et retourne LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régularisé. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>. où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator.

SdcaLogisticRegressionBinaryTrainer

pour IEstimator<TTransformer> l’apprentissage d’un modèle de classification de régression logistique binaire à l’aide de la méthode d’ascension stochastique à double coordonnée. Le modèle entraîné est étalonné et peut produire une probabilité en alimentant la valeur de sortie de la fonction linéaire à un PlattCalibrator.

SdcaLogisticRegressionBinaryTrainer.Options

Options pour le SdcaLogisticRegressionBinaryTrainer comme utilisé dans SdcaLogisticRegression(Options).

SdcaMaximumEntropyMulticlassTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un classifieur multiclasse d’entropie maximale. Le modèle MaximumEntropyModelParameters entraîné produit des probabilités de classes.

SdcaMaximumEntropyMulticlassTrainer.Options

SdcaMaximumEntropyMulticlassTrainer.Options pour SdcaMaximumEntropyMulticlassTrainer tel qu’utilisé dans SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

SdcaMulticlassTrainerBase<TModel>.MulticlassOptions

Options pour .SdcaMulticlassTrainerBase<TModel>

SdcaMulticlassTrainerBase<TModel>

IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classifieur multiclasse linéaire entraîné avec une méthode de descente de coordonnées. Selon la fonction de perte utilisée, le modèle entraîné peut être, par exemple, classifieur d’entropie maximale ou machine vectorielle de prise en charge multiclasse.

SdcaNonCalibratedBinaryTrainer

pour IEstimator<TTransformer> l’apprentissage d’un modèle de classification de régression logistique binaire à l’aide de la méthode stochastic double coordonnée ascente.

SdcaNonCalibratedBinaryTrainer.Options

Options pour .SdcaNonCalibratedBinaryTrainer

SdcaNonCalibratedMulticlassTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters entraîné produit des probabilités de classes.

SdcaNonCalibratedMulticlassTrainer.Options

SdcaNonCalibratedMulticlassTrainer.Options pour SdcaNonCalibratedMulticlassTrainer comme utilisé dans SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

SdcaRegressionTrainer

pour IEstimator<TTransformer> l’apprentissage d’un modèle de régression à l’aide de la méthode stochastique d’ascente de coordonnées doubles.

SdcaRegressionTrainer.Options

Options pour .SdcaRegressionTrainer

SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Options pour les formateurs basés sur SDCA.

SdcaTrainerBase<TOptions,TTransformer,TModel>

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

SgdBinaryTrainerBase<TModel>.OptionsBase

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

SgdBinaryTrainerBase<TModel>

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

SgdCalibratedTrainer

pour l’entraînement IEstimator<TTransformer> de la régression logistique à l’aide d’une méthode de gradient stochastique parallèle. Le modèle entraîné est étalonné et peut produire une probabilité en alimentant la valeur de sortie de la fonction linéaire à un PlattCalibrator.

SgdCalibratedTrainer.Options

Options pour le SgdCalibratedTrainer tel qu’utilisé dans SgdCalibrated(Options).

SgdNonCalibratedTrainer

pour l’entraînement IEstimator<TTransformer> de la régression logistique à l’aide d’une méthode de gradient stochastique parallèle.

SgdNonCalibratedTrainer.Options

Options pour le SgdNonCalibratedTrainer tel qu’utilisé dans SgdNonCalibrated(Options).

SmoothedHingeLoss

Version fluide de la HingeLoss fonction, couramment utilisée dans les tâches de classification.

SquaredLoss

La perte carrée, couramment utilisée dans les tâches de régression.

StochasticTrainerBase<TTransformer,TModel>

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

SymbolicSgdLogisticRegressionBinaryTrainer

IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la descente de gradient stochastique symbolique.

SymbolicSgdLogisticRegressionBinaryTrainer.Options

Options pour le SymbolicSgdLogisticRegressionBinaryTrainer tel qu’utilisé dans SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

TrainerEstimatorBase<TTransformer,TModel>

Il s’agit d’une classe de base pour « formateur simple ». Un « formateur simple » accepte une colonne de caractéristique et une colonne d’étiquette, ainsi qu’une colonne de poids. Elle produit un « transformateur de prédiction ».

TrainerEstimatorBaseWithGroupId<TTransformer,TModel>

Il s’agit d’une classe de base pour « formateur simple ». Un « formateur simple » accepte une colonne de caractéristique et une colonne d’étiquette, ainsi qu’une colonne de poids. Elle produit un « transformateur de prédiction ».

TrainerInputBase

Classe de base pour toutes les entrées du formateur.

TrainerInputBaseWithGroupId

Classe de base pour toutes les entrées du formateur qui prennent en charge une colonne de groupe.

TrainerInputBaseWithLabel

Classe de base pour toutes les entrées du formateur qui prennent en charge une colonne Label.

TrainerInputBaseWithWeight

Classe de base pour toutes les entrées d’entraîneur qui prennent en charge une colonne de poids.

TweedieLoss

Perte de Tweedie, basée sur la probabilité logarithmique de la distribution de Tweedie. Cette fonction de perte est utilisée dans la régression Tweedie.

UnsupervisedTrainerInputBaseWithWeight

Classe de base pour toutes les entrées d’entraîneur non supervisées qui prennent en charge une colonne de poids.

Structures

LsrDecay.LearningRateSchedulerItem

Cette structure représente un type d’élément du planificateur de taux d’apprentissage

Interfaces

ICalculateFeatureContribution

Permet la prise en charge du calcul de la contribution aux fonctionnalités par paramètres de modèle.

IClassificationLoss

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

ILossFunction<TOutput,TLabel>

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

IRegressionLoss

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

IScalarLoss

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

ISupportSdcaClassificationLoss

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

ISupportSdcaLoss

La fonction de perte peut connaître la solution de forme rapprochée de la double mise à jour optimale Ref : Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

ISupportSdcaRegressionLoss

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

ITrainerEstimator<TTransformer,TModel>

Interface pour l’estimateur de formateur.

Énumérations

KMeansTrainer.InitializationAlgorithm

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

MatrixFactorizationTrainer.LossFunctionType

Type de fonction de perte.