Data typer för Machine Learning module

I den här artikeln beskrivs de .NET-data typer som stöds i Microsoft Azure Machine Learning Studio (klassisk) för externa data. Det beskriver också de anpassade data typ klasser som används för att skicka data mellan moduler i ett experiment.

Tabell med .NET-data typer

Följande .NET-typer stöds av Machine Learning Studio (klassiska) moduler.

.NET-datatyp Kommentarer
Boolesk https://msdn.microsoft.com/library/wts33hb3.aspx
Int16 https://msdn.microsoft.com/library/system.int16(v=vs.110).aspx
Int32 https://msdn.microsoft.com/library/06bkb8w2.aspx
Int64 https://msdn.microsoft.com/library/system.int64.aspx
Enkel https://msdn.microsoft.com/library/system.single(v=vs.110).aspx
Double https://msdn.microsoft.com/library/system.double(v=vs.110).aspx
Sträng https://msdn.microsoft.com/library/system.string(v=vs.110).aspx
datetime https://msdn.microsoft.com/library/system.datetime(v=vs.110).aspx
DateTimeOffset https://msdn.microsoft.com/library/system.datetimeoffset(v=vs.110).aspx
TimeSpan https://msdn.microsoft.com/library/system.timespan(v=vs.110).aspx
Byte https://msdn.microsoft.com/library/system.byte(v=vs.110).aspx
Byte [] https://msdn.microsoft.com/library/system.byte.aspx
GUID GUID konverteras till strängar vid indatamängden

Tabell med anpassade data typer

Dessutom stöder Machine Learning Studio (klassisk) följande anpassade data klasser.

Datatyp Beskrivning
Data tabell DataTable-gränssnittet definierar strukturen för alla data uppsättningar som används i Azure Machine Learning.
ICluster-gränssnitt ICluster-gränssnittet definierar strukturen för kluster modeller.
IFilter-gränssnitt IFilter-gränssnittet definierar strukturen för de digitala signal bearbetnings filter som tillämpas på en hel serie av numeriska värden. Filter kan skapas och sedan sparas och tillämpas på en ny serie.
ILearner-gränssnitt ILearner-gränssnittet är en allmän struktur för att definiera och spara analys modeller, förutom vissa särskilda typer, till exempel kluster modeller.
ITransform-gränssnitt ITransform-gränssnittet tillhandahåller en allmän struktur för att definiera och spara transformeringar. Du kan skapa en iTransform med hjälp av Machine Learning Studio (klassisk) och sedan använda omvandlingen på nya data uppsättningar.

Se även

Machine Learning Studio (klassisk)