BinaryClassificationCatalog.BinaryClassificationTrainers Класс

Определение

Пространство имен:

Microsoft.ML

Сборка:

Microsoft.ML.Data.dll

Пакет:

Microsoft.ML v2.0.0

Класс, используемый для MLContext создания экземпляров средств обучения двоичной классификации.

public sealed class BinaryClassificationCatalog.BinaryClassificationTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBase

type BinaryClassificationCatalog.BinaryClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase

Public NotInheritable Class BinaryClassificationCatalog.BinaryClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase

Наследование

Object

TrainCatalogBase.CatalogInstantiatorBase

BinaryClassificationCatalog.BinaryClassificationTrainers

Методы расширения

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)	Создание FieldAwareFactorizationMachineTrainer с помощью расширенных параметров, которые прогнозируют целевой объект с помощью машины факторизации с учетом полей, обученной по логическим данным меток.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)	Создайте FieldAwareFactorizationMachineTrainer, который прогнозирует целевой объект с помощью машины факторизации с учетом полей, обученной по данным логических меток.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)	Создайте FieldAwareFactorizationMachineTrainer, который прогнозирует целевой объект с помощью машины факторизации с учетом полей, обученной по данным логических меток.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)	Создайте LightGbmBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью двоичной классификации дерева принятия решений с градиентным повышением.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)	Создайте LightGbmBinaryTrainer, который прогнозирует целевой объект с помощью двоичной классификации дерева принятия решений с градиентным повышением.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Создание SymbolicSgdLogisticRegressionBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию. Выполняет SymbolicSgdLogisticRegressionBinaryTrainer параллелизацию SGD с помощью символьного выполнения.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Создайте SymbolicSgdLogisticRegressionBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию. Выполняет SymbolicSgdLogisticRegressionBinaryTrainer параллелизацию SGD с помощью символьного выполнения.
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)	AveragedPerceptronTrainer Создайте объект с расширенными параметрами, который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)	Создайте AveragedPerceptronTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)	Создание LbfgsLogisticRegressionBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	Создайте LbfgsLogisticRegressionBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)	Создание LdSvmTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели LOCAL Deep SVM.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)	Создайте LdSvmTrainer, который прогнозирует целевой объект с помощью модели SVM local Deep.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)	Создание LinearSvmTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)	Создайте LinearSvmTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)	Создайте PriorTrainer, который прогнозирует целевой объект с помощью модели двоичной классификации.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)	Создайте SdcaLogisticRegressionBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Создайте SdcaLogisticRegressionBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)	Создание SdcaNonCalibratedBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации, обученной по логическим данным меток.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Создайте SdcaNonCalibratedBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)	Создайте SgdCalibratedTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)	Создайте SgdCalibratedTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)	Создайте SgdNonCalibratedTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)	Создайте SgdNonCalibratedTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)	Создание FastForestBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели регрессии дерева принятия решений.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)	Создайте FastForestBinaryTrainer, который прогнозирует целевой объект с помощью модели регрессии дерева принятия решений.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)	Создание FastTreeBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели двоичной классификации дерева принятия решений.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)	Создайте FastTreeBinaryTrainer, который прогнозирует целевой объект с помощью модели двоичной классификации дерева решений.
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)	Создание GamBinaryTrainer с помощью расширенных параметров, которые прогнозируют целевой объект с помощью обобщенных аддитивных моделей (GAM).
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)	Создайте GamBinaryTrainer, который прогнозирует целевой объект с помощью обобщенных аддитивных моделей (GAM).