TransformsCatalog クラス

定義

MLContext変換コンポーネントのインスタンスを作成するためにによって使用されるクラス。

public sealed class TransformsCatalog
type TransformsCatalog = class
Public NotInheritable Class TransformsCatalog
継承
TransformsCatalog

プロパティ

Categorical

カテゴリデータに対する操作の一覧。

Conversion

データ型変換の操作の一覧。

FeatureSelection

いくつかの条件に基づいて特徴を選択する操作の一覧です。

Text

テキストデータを処理する操作の一覧。

拡張メソッド

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)

入力列 CustomMappingEstimator<TSrc,TDst> と出力列のカスタムマッピングを適用するを作成します。

StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)

を作成し StatefulCustomMappingEstimator<TSrc,TDst,TState> ます。これにより、入力列のカスタムマッピングが出力列に適用され、カーソルごとの状態が許可されます。

CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)

FeatureContributionCalculatingEstimator入力ベクトルの各特徴について、モデル固有の貢献スコアを計算するを作成します。

CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters,TCalibrator>>, Int32, Int32, Boolean)

FeatureContributionCalculatingEstimator入力ベクトルの各特徴について、モデル固有の貢献スコアを計算するを作成します。 調整されたモデルをサポートします。

Expression(TransformsCatalog, String, String, String[])

ExpressionEstimator を作成します。

IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])

を作成します MissingValueIndicatorEstimator 。これにより、で指定した列のデータが InputColumnName 新しい列にコピーされ OutputColumnName ます。

IndicateMissingValues(TransformsCatalog, String, String)

を作成 MissingValueIndicatorEstimator します。これにより、で指定された列のデータがスキャンされ、 inputColumnName で指定された新しい列がブールのベクターと共に格納されます。ここで、i 番目の outputColumnName ブール値は、 true 列データの i 番目の要素の値が不足している場合はに false なります。

ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)

を作成します ColumnCopyingEstimator 。これにより、で指定した列のデータが新しい列にコピーされます。これにより、に InputColumnName OutputColumnName よって欠損値が置き換えられ replacementMode ます。

ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)

を作成します MissingValueReplacingEstimator 。これにより、で指定した列のデータが新しい列にコピーされます。これにより、に inputColumnName outputColumnName よって欠損値が置き換えられ replacementMode ます。

ConvertToGrayscale(TransformsCatalog, String, String)

を作成します ImageGrayscalingEstimator 。これにより、で指定した列の画像が、 InputColumnName 新しい列のグレースケール画像に変換されます OutputColumnName

ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)

を作成します VectorToImageConvertingEstimator 。これにより、で指定した列のデータから、新しい列にイメージが作成され inputColumnName outputColumnName ます。

ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)

を作成します。これにより ImagePixelExtractingEstimator 、列: に指定されたデータからピクセル値が抽出されます inputColumnName outputColumnName

LoadImages(TransformsCatalog, String, String, String)

を作成します。これにより、 ImageLoadingEstimator で指定された列のデータが、 inputColumnName イメージとして新しい列に読み込まれます outputColumnName

LoadRawImageBytes(TransformsCatalog, String, String, String)

を作成します。これにより、 ImageLoadingEstimator で指定された列から、 inputColumnName 生バイトのイメージとしてのデータが新しい列に読み込まれます outputColumnName

ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)

を作成します。これにより、 ImageResizingEstimator で指定した列から、 inputColumnName 新しい列にイメージのサイズが変更され outputColumnName ます。

ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)

ApproximatedKernelMappingEstimator内部製品がシフトインバリアントカーネル関数に近いことを示す、低次元の特徴空間に入力ベクトルをマップするを作成します。

VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)

既知の共変性行列を持つランダム変数のベクトルを含む列を、その分散が id 行列として使用されている新しい変数のセットに格納します。つまり、非相関があり、それぞれが変位1を持ちます。

NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)

を作成し NormalizingEstimator ます。これは、同じ密度を持つビンにデータを割り当てることによって正規化されます。

NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)

を作成し NormalizingEstimator ます。これは、同じ密度を持つビンにデータを割り当てることによって正規化されます。

NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)

を作成し GlobalContrastNormalizingEstimator ます。これは、グローバルなコントラスト正規化を個別に適用する列を正規化します。 をに設定すると ensureZeroMean true 、指定された列の平均がゼロベクトルになるように、処理前のステップが適用されます。

NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)

を作成します。これは、計算された NormalizingEstimator 平均と、データの対数の分散に基づいて正規化されます。

NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)

を作成します。これは、計算された NormalizingEstimator 平均と、データの対数の分散に基づいて正規化されます。

NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)

を作成します。これは、計算された NormalizingEstimator 平均と、データの対数の分散に基づいて正規化されます。

NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)

を作成します。これは、計算された NormalizingEstimator 平均と、データの対数の分散に基づいて正規化されます。

NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)

LpNormNormalizingEstimator入力列のベクターを単位基準に正規化 (スケール) するを作成します。 使用される標準の種類は、で定義され norm ます。 をに設定すると ensureZeroMean true 、指定された列の平均がゼロベクトルになるように、処理前のステップが適用されます。

NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)

を作成し NormalizingEstimator ます。これは、データの計算された平均と分散に基づいて正規化されます。

NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)

を作成し NormalizingEstimator ます。これは、データの計算された平均と分散に基づいて正規化されます。

NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)

データの NormalizingEstimator 観測された最小値と最大値に基づいて正規化する を作成します。

NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)

データの NormalizingEstimator 観測された最小値と最大値に基づいて正規化する を作成します。

NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)

を作成します。これは、データを中心に 0 (中央値を削除) することで外れ値に対して堅牢な統計を使用して正規化し、分位点の範囲 (既定では分位範囲) に従ってデータをスケーリングします NormalizingEstimator

NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)

を作成します。これは、データを中心に 0 (中央値を削除) することで外れ値に対して堅牢な統計を使用して正規化し、分位点の範囲 (既定では分位範囲) に従ってデータをスケーリングします NormalizingEstimator

NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)

列との NormalizingEstimator 相関関係に基づいてデータをビンに割り当て、正規化する を作成 labelColumnName します。

NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)

列との NormalizingEstimator 相関関係に基づいてデータをビンに割り当て、正規化する を作成 labelColumnName します。

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが入力列に適用されます。 入力/出力列は、指定された ONNX モデルの入力/出力列に基づいて決定されます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが入力列に適用されます。 入力/出力列は、指定された ONNX モデルの入力/出力列に基づいて決定されます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが列に適用さ inputColumnName れます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが列に適用さ inputColumnName れます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが列に適用さ inputColumnNames れます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが列に適用さ inputColumnNames れます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

を作成し OnnxScoringEstimator ます。これにより、事前トレーニング済みの Onnx モデルが列に適用さ inputColumnNames れます。 OnnxScoringEstimator必要な依存関係の詳細と GPU での実行方法については、「」を参照してください。

DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)

を作成 DnnImageFeaturizerEstimator します。これは、の事前トレーニング済み DNN モデルの1つを適用して、 DnnImageModelSelector イメージを特徴としています。

ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)

PrincipalComponentAnalyzer の新しいインスタンスを初期化します。

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)

SrCnnAnomalyEstimatorSRCNN アルゴリズムを使用して timeseries 異常を検出する Create。

DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)

を作成 SsaChangePointEstimator します。これにより、 単一のスペクトラム分析 (SSA)を使用して時系列の変更点が予測されます。

DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)
互換性のために残されています。

を作成 SsaChangePointEstimator します。これにより、 単一のスペクトラム分析 (SSA)を使用して時系列の変更点が予測されます。

DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)

を作成 IidChangePointEstimator します。これにより、アダプティブカーネル密度の推定とマルチンゲールのスコアに基づいて、独立した 同じ分散 (i.i.d.) 時系列の変化点が予測されます。

DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)
互換性のために残されています。

アダプティブ カーネル密度の推定とマーティゲール スコアに基づいて、独立した同一分布 IidChangePointEstimator (i.i.d.) 時系列の変更ポイントを予測する を作成します。

DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)

アダプティブ カーネル密度の推定とマーティゲール スコアに基づいて、独立した同一分布 IidSpikeEstimator (i.i.d.) 時系列のスパイクを予測する を作成します。

DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)
互換性のために残されています。

アダプティブ カーネル密度の推定とマーティゲール スコアに基づいて、独立した同一分布 IidSpikeEstimator (i.i.d.) 時系列のスパイクを予測する を作成します。

DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)

SsaSpikeEstimator 作成します。これは 、SSA (Singular Spectrum Analysis) を使用して時系列の急増を予測します

DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)
互換性のために残されています。

SsaSpikeEstimator 作成します。これは 、SSA (Singular Spectrum Analysis) を使用して時系列の急増を予測します

Concatenate(TransformsCatalog, String, String[])

ColumnConcatenatingEstimator1 つ以上の入力列を新しい出力列に連結するを作成します。

CopyColumns(TransformsCatalog, String, String)

を作成します ColumnCopyingEstimator 。これにより、で指定した列のデータが inputColumnName 新しい列にコピーされ outputColumnName ます。

DropColumns(TransformsCatalog, String[])

を作成し ColumnSelectingEstimator ます。これにより、指定された列のリストがから削除され IDataView ます。 指定されていない列は、出力に保持されます。

SelectColumns(TransformsCatalog, String[])

を作成 ColumnSelectingEstimator します。これにより、指定された列の一覧をに保持 IDataView し、他の列を削除します。

SelectColumns(TransformsCatalog, String[], Boolean)

を作成 ColumnSelectingEstimator します。これにより、指定された列の一覧をに保持 IDataView し、他の列を削除します。

FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)

を作成し FastForestBinaryFeaturizationEstimator 、を使用して FastForestBinaryTrainer TreeEnsembleModelParameters ツリーベースの特徴を作成します。

FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)

を作成し FastForestRegressionFeaturizationEstimator 、を使用して FastForestRegressionTrainer TreeEnsembleModelParameters ツリーベースの特徴を作成します。

FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)

を作成し FastTreeBinaryFeaturizationEstimator 、を使用して FastTreeBinaryTrainer TreeEnsembleModelParameters ツリーベースの特徴を作成します。

FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)

を作成し FastTreeRankingFeaturizationEstimator 、を使用して FastTreeRankingTrainer TreeEnsembleModelParameters ツリーベースの特徴を作成します。

FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)

を作成し FastTreeRegressionFeaturizationEstimator 、を使用して FastTreeRegressionTrainer TreeEnsembleModelParameters ツリーベースの特徴を作成します。

FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)

を作成し FastTreeTweedieFeaturizationEstimator 、を使用して FastTreeTweedieTrainer TreeEnsembleModelParameters ツリーベースの特徴を作成します。

FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)

PretrainedTreeFeaturizationEstimatorを指定して、ツリーベースの特徴を生成するを作成 TreeEnsembleModelParameters します。

適用対象