MklComponentsCatalog Třída

Definice

Obor názvů:

Microsoft.ML

Sestavení:

Microsoft.ML.Mkl.Components.dll

Balíček:

Microsoft.ML.Mkl.Components v2.0.0

Kolekce metod rozšíření pro RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainersa TransformsCatalog vytvořit MKL (Math Kernel Library) trenér a transformovat komponenty.

public static class MklComponentsCatalog

type MklComponentsCatalog = class

Public Module MklComponentsCatalog

Dědičnost

Object

MklComponentsCatalog

Metody

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)	Vytvářejte OlsTrainer s pokročilými možnostmi, které predikují cíl pomocí lineárního regresního modelu.
Ols(RegressionCatalog+RegressionTrainers, String, String, String)	Vytvořte OlsTrainer, který předpovídá cíl pomocí lineárního regresního modelu.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Vytvoření SymbolicSgdLogisticRegressionBinaryTrainer, které predikuje cíl pomocí lineárního binárního klasifikačního modelu natrénovaného přes logická data popisků. Stochastický gradientní sestup (SGD) je iterativní algoritmus, který optimalizuje odlišnou objektivní funkci. Paralelizuje SymbolicSgdLogisticRegressionBinaryTrainer SGD pomocí symbolického spuštění.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Vytvořte SymbolicSgdLogisticRegressionBinaryTrainer s pokročilými možnostmi, které predikují cíl pomocí modelu lineární binární klasifikace trénovaného přes data logického popisku. Stochastický gradientní sestup (SGD) je iterativní algoritmus, který optimalizuje odlišnou objektivní funkci. Paralelizuje SymbolicSgdLogisticRegressionBinaryTrainer SGD pomocí symbolického spuštění.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Přebírá sloupec naplněný vektorem náhodných proměnných se známou kovariancí matice do sady nových proměnných, jejichž kovariance je matice identity, což znamená, že nejsou korektorní a každá má odchylku 1.