TransformsCatalog Класс

Определение

Пространство имен:

Microsoft.ML

Сборка:

Microsoft.ML.Data.dll

Пакет:

Microsoft.ML v2.0.0

Класс, используемый MLContext для создания экземпляров компонентов преобразования.

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

Наследование

Object

TransformsCatalog

Свойства

Categorical	Список операций над категориальными данными.
Conversion	Список операций для преобразования типов данных.
FeatureSelection	Список операций для выбора функций на основе некоторых критериев.
Text	Список операций для обработки текстовых данных.

Методы расширения

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	CustomMappingEstimator<TSrc,TDst>Создайте объект, который применяет настраиваемое сопоставление входных столбцов с выходными столбцами.
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	StatefulCustomMappingEstimator<TSrc,TDst,TState>Создайте объект, который применяет настраиваемое сопоставление входных столбцов с выходными столбцами, позволяя при этом использовать состояние для каждого курсора.
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	Создайте, FeatureContributionCalculatingEstimator который вычисляет оценки вклада для конкретной модели для каждой функции входного вектора.
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	Создайте, FeatureContributionCalculatingEstimator который вычисляет оценки вклада для конкретной модели для каждой функции входного вектора. Поддерживает откалиброванные модели.
Expression(TransformsCatalog, String, String, String[])	Создает ExpressionEstimator.
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	MissingValueIndicatorEstimatorСоздайте объект, который копирует данные из столбца, указанного в InputColumnName новом столбце: OutputColumnName.
IndicateMissingValues(TransformsCatalog, String, String)	MissingValueIndicatorEstimatorСоздайте объект, который сканирует данные из столбца, указанного в inputColumnName столбце, и заполняет новый столбец, указанный в векторе outputColumnName логических значений, где i-th bool имеет значениеtrue, если элемент i-th в данных столбца имеет отсутствующее значение и false в противном случае.
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	ColumnCopyingEstimatorСоздайте объект, который копирует данные из столбца, указанного в InputColumnName новом столбце, OutputColumnName и заменяет отсутствующие значения в нем в соответствии с replacementMode.
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	MissingValueReplacingEstimatorСоздайте объект, который копирует данные из столбца, указанного в inputColumnName новом столбце, outputColumnName и заменяет отсутствующие значения в нем в соответствии с replacementMode.
ConvertToGrayscale(TransformsCatalog, String, String)	ImageGrayscalingEstimatorСоздайте объект, который преобразует изображения в столбце, указанном в InputColumnName изображениях оттенков серого, в новом столбце: OutputColumnName.
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	VectorToImageConvertingEstimatorСоздайте объект, который создает изображение из данных из столбца, указанного в inputColumnName новом столбце: outputColumnName.
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	ImagePixelExtractingEstimatorСоздайте объект, который извлекает значения пикселей из данных, указанных в столбце: inputColumnName в новый столбец: outputColumnName.
LoadImages(TransformsCatalog, String, String, String)	ImageLoadingEstimatorСоздайте объект, который загружает данные из столбца, указанного в inputColumnName виде изображения, в новый столбец: outputColumnName.
LoadRawImageBytes(TransformsCatalog, String, String, String)	ImageLoadingEstimatorСоздайте объект, который загружает данные из столбца, указанного в inputColumnName виде изображения необработанных байтов, в новый столбец: outputColumnName.
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	ImageResizingEstimatorСоздайте объект, который изменяет размер изображения из столбца, указанного в inputColumnName новом столбце: outputColumnName.
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	Создайте объект, сопоставляющий ApproximatedKernelMappingEstimator входные векторы с пространством признаков с низкими размерами, где внутренние продукты приблизит функцию ядра сдвига и инвариантной.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Принимает столбец, заполненный вектором случайных переменных с известной матрицей ковариации, в набор новых переменных, ковариация которых является матрицей идентификации, то есть они некоррелируются, и каждая из них имеет дисперсию 1.
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	NormalizingEstimatorСоздайте объект, который нормализуется, назначив данные в ячейки с одинаковой плотностью.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	NormalizingEstimatorСоздайте объект, который нормализуется, назначив данные в ячейки с одинаковой плотностью.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Создайте объект GlobalContrastNormalizingEstimator, который нормализует столбцы по отдельности, применяя нормализацию глобальной контрастности. trueЕсли задано значение ensureZeroMean , применяется шаг предварительной обработки, чтобы среднее значение указанного столбца было нулевым вектором.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе вычисленного среднего и дисперсии логарифма данных.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе вычисленного среднего и дисперсии логарифма данных.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе вычисленного среднего и дисперсии логарифма данных.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе вычисленного среднего и дисперсии логарифма данных.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	LpNormNormalizingEstimatorСоздайте объект, который нормализует (масштабы) в входном столбце норму единицы. Тип используемой нормы определяется .norm trueЕсли задано значение ensureZeroMean , применяется шаг предварительной обработки, чтобы среднее значение указанного столбца было нулевым вектором.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе вычисленного среднего значения и дисперсии данных.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе вычисленного среднего значения и дисперсии данных.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе наблюдаемых минимальных и максимальных значений данных.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	NormalizingEstimatorСоздайте объект, который нормализуется на основе наблюдаемых минимальных и максимальных значений данных.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	NormalizingEstimatorСоздайте объект, который нормализует использование статистических данных, которые являются надежными для выбросов, выравнивая данные вокруг 0 (удаляя медиану) и масштабируя данные в соответствии с диапазоном квантилей (по умолчанию используется межквартилный диапазон).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	NormalizingEstimatorСоздайте объект, который нормализует использование статистических данных, которые являются надежными для выбросов, выравнивая данные вокруг 0 (удаляя медиану) и масштабируя данные в соответствии с диапазоном квантилей (по умолчанию используется межквартилный диапазон).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	NormalizingEstimatorСоздайте объект, который нормализуется путем назначения данных в ячейки на основе корреляции со столбцомlabelColumnName.
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	NormalizingEstimatorСоздайте объект, который нормализуется путем назначения данных в ячейки на основе корреляции со столбцомlabelColumnName.
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	OnnxScoringEstimator Создайте с помощью указанного .OnnxOptions См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к входному столбцу. Входные и выходные столбцы определяются на основе входных и выходных столбцов предоставленной модели ONNX. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к входному столбцу. Входные и выходные столбцы определяются на основе входных и выходных столбцов предоставленной модели ONNX. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к столбцуinputColumnName. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к столбцуinputColumnName. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к столбцамinputColumnNames. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к столбцамinputColumnNames. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	OnnxScoringEstimatorСоздайте объект, который применяет предварительно обученную модель Onnx к столбцамinputColumnNames. См. дополнительные сведения OnnxScoringEstimator о необходимых зависимостях и о том, как запустить его на GPU.
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Создание DnnImageFeaturizerEstimator, которое применяет одну из предварительно обученных моделей DNN для DnnImageModelSelector добавления изображения.
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	Инициализирует новый экземпляр PrincipalComponentAnalyzer.
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Создание SrCnnAnomalyEstimator, которое обнаруживает аномалии времени с помощью алгоритма SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	СозданиеSsaChangePointEstimator, которое прогнозирует точки изменения временных рядов с помощью анализа сингулярного спектра (SSA).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Устаревшие.. СозданиеSsaChangePointEstimator, которое прогнозирует точки изменения временных рядов с помощью анализа сингулярного спектра (SSA).
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Создание IidChangePointEstimator, которое прогнозирует точки изменения в независимо распределенных (i.i.d.) временных рядов на основе адаптивной оценки плотности ядра и оценки мартингала.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Устаревшие.. Создание IidChangePointEstimator, которое прогнозирует точки изменения в независимо распределенных (i.i.d.) временных рядов на основе адаптивной оценки плотности ядра и оценки мартингала.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Создание IidSpikeEstimator, которое прогнозирует пики независимо распределенных (i.i.d.) временных рядов на основе адаптивной оценки плотности ядра и оценки мартингала.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Устаревшие.. Создание IidSpikeEstimator, которое прогнозирует пики независимо распределенных (i.i.d.) временных рядов на основе адаптивной оценки плотности ядра и оценки мартингала.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	СозданиеSsaSpikeEstimator, которое прогнозирует пики временных рядов с помощью анализа сингулярного спектра (SSA).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Устаревшие.. СозданиеSsaSpikeEstimator, которое прогнозирует пики временных рядов с помощью анализа сингулярного спектра (SSA).
Concatenate(TransformsCatalog, String, String[])	ColumnConcatenatingEstimatorСоздайте объект, который объединяет один или несколько входных столбцов в новый выходной столбец.
CopyColumns(TransformsCatalog, String, String)	ColumnCopyingEstimatorСоздайте объект, который копирует данные из столбца, указанного в inputColumnName новом столбце: outputColumnName.
DropColumns(TransformsCatalog, String[])	ColumnSelectingEstimatorСоздайте объект, который удаляет заданный список столбцов из .IDataView Любой столбец, не указанный, будет поддерживаться в выходных данных.
SelectColumns(TransformsCatalog, String[])	ColumnSelectingEstimatorСоздайте объект, который сохраняет заданный список столбцов в списке IDataView и удаляет другие столбцы.
SelectColumns(TransformsCatalog, String[], Boolean)	ColumnSelectingEstimatorСоздайте объект, который сохраняет заданный список столбцов в списке IDataView и удаляет другие столбцы.
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Создание FastForestBinaryFeaturizationEstimator, которое используется для FastForestBinaryTrainer обучения TreeEnsembleModelParameters для создания признаков на основе дерева.
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Создание FastForestRegressionFeaturizationEstimator, которое используется для FastForestRegressionTrainer обучения TreeEnsembleModelParameters для создания признаков на основе дерева.
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Создание FastTreeBinaryFeaturizationEstimator, которое используется для FastTreeBinaryTrainer обучения TreeEnsembleModelParameters для создания признаков на основе дерева.
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Создание FastTreeRankingFeaturizationEstimator, которое используется для FastTreeRankingTrainer обучения TreeEnsembleModelParameters для создания признаков на основе дерева.
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Создание FastTreeRegressionFeaturizationEstimator, которое используется для FastTreeRegressionTrainer обучения TreeEnsembleModelParameters для создания признаков на основе дерева.
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Создание FastTreeTweedieFeaturizationEstimator, которое используется для FastTreeTweedieTrainer обучения TreeEnsembleModelParameters для создания признаков на основе дерева.
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	СозданиеPretrainedTreeFeaturizationEstimator, которое создает признаки на основе дерева, заданные .TreeEnsembleModelParameters