Поделиться через


StandardTrainersCatalog Класс

Определение

Коллекция методов расширения для RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainersа также MulticlassClassificationCatalog.MulticlassClassificationTrainers для создания экземпляров компонентов обучения.

public static class StandardTrainersCatalog
type StandardTrainersCatalog = class
Public Module StandardTrainersCatalog
Наследование
StandardTrainersCatalog

Методы

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)

AveragedPerceptronTrainer Создайте с дополнительными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной на основе логических данных меток.

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)

AveragedPerceptronTrainerСоздайте объект, который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной на основе логических данных меток.

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Создание LbfgsLogisticRegressionBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной на основе логических данных меток.

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)

Создание LbfgsLogisticRegressionBinaryTrainer, которое прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)

Создание LbfgsMaximumEntropyMulticlassTrainer с помощью дополнительных параметров, которое прогнозирует целевой объект с помощью модели максимальной классификации энтропии, обученной с помощью метода L-BFGS.

LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)

Создание LbfgsMaximumEntropyMulticlassTrainer, которое прогнозирует целевой объект с помощью модели максимальной классификации энтропии, обученной с помощью метода L-BFGS.

LbfgsPoissonRegression(RegressionCatalog+RegressionTrainers, LbfgsPoissonRegressionTrainer+Options)

Создание LbfgsPoissonRegressionTrainer с помощью дополнительных параметров, которое прогнозирует целевой объект с помощью модели линейной регрессии.

LbfgsPoissonRegression(RegressionCatalog+RegressionTrainers, String, String, String, Single, Single, Single, Int32, Boolean)

Создание LbfgsPoissonRegressionTrainer, которое прогнозирует целевой объект с помощью модели линейной регрессии.

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)

Создание LdSvmTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью локальной модели DEEP SVM.

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)

Создание LdSvmTrainer, которое прогнозирует целевой объект с помощью локальной модели DEEP SVM.

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)

Создание LinearSvmTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной на основе логических данных меток.

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)

Создание LinearSvmTrainer, которое прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

NaiveBayes(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String)

NaiveBayesMulticlassTrainerСоздайте объект, который прогнозирует многоклассовый целевой объект с помощью упрощенной модели Байеса, которая поддерживает двоичные значения признаков.

OneVersusAll<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ITrainerEstimator<BinaryPredictionTransformer<TModel>,TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>, Int32, Boolean)

OneVersusAllTrainerСоздайте объект, который прогнозирует многоклассовый целевой объект, используя стратегию "один и все" с оценщиком двоичной классификации, заданным параметром binaryEstimator.

OnlineGradientDescent(RegressionCatalog+RegressionTrainers, OnlineGradientDescentTrainer+Options)

Создание OnlineGradientDescentTrainer с помощью дополнительных параметров, которое прогнозирует целевой объект с помощью модели линейной регрессии.

OnlineGradientDescent(RegressionCatalog+RegressionTrainers, String, String, IRegressionLoss, Single, Boolean, Single, Int32)

Создание OnlineGradientDescentTrainer, которое прогнозирует целевой объект с помощью модели линейной регрессии.

PairwiseCoupling<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ITrainerEstimator<ISingleFeaturePredictionTransformer<TModel>, TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>, Int32)

PairwiseCouplingTrainerСоздайте объект, который прогнозирует многоклассовый целевой объект с помощью парной стратегии связывания с оценщиком двоичной классификации, заданным параметром binaryEstimator.

Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)

Создание PriorTrainer, которое прогнозирует целевой объект с помощью модели двоичной классификации.

Sdca(RegressionCatalog+RegressionTrainers, SdcaRegressionTrainer+Options)

Создание SdcaRegressionTrainer с дополнительными параметрами, которые прогнозируют целевой объект с помощью модели линейной регрессии.

Sdca(RegressionCatalog+RegressionTrainers, String, String, String, ISupportSdcaRegressionLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Создание SdcaRegressionTrainer, которое прогнозирует целевой объект с помощью модели линейной регрессии.

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)

Создавайте SdcaLogisticRegressionBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной классификации.

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Создание SdcaLogisticRegressionBinaryTrainer, которое прогнозирует целевой объект с помощью модели линейной классификации.

SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)

Создавайте SdcaMaximumEntropyMulticlassTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели максимальной классификации энтропии, обученной методом спуска координат.

SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Создание SdcaMaximumEntropyMulticlassTrainer, которое прогнозирует целевой объект с помощью модели максимальной классификации энтропии, обученной с помощью метода спуска координат.

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)

Создавайте SdcaNonCalibratedBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной классификации, обученной на основе логических данных меток.

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Создание SdcaNonCalibratedBinaryTrainer, которое прогнозирует целевой объект с помощью модели линейной классификации.

SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)

Создавайте SdcaNonCalibratedMulticlassTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной многоклассовой классификации, обученной методом спуска координат.

SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Создание SdcaNonCalibratedMulticlassTrainer, которое прогнозирует целевой объект с помощью модели линейной многоклассовой классификации, обученной с помощью метода спуска координат.

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)

Создавайте SgdCalibratedTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует другую целевую функцию.

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)

Создание SgdCalibratedTrainer, которое прогнозирует целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует другую целевую функцию.

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)

Создавайте SgdNonCalibratedTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует другую целевую функцию.

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)

Создание SgdNonCalibratedTrainer, которое прогнозирует целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует другую целевую функцию.

Применяется к