Sdílet prostřednictvím


Microsoft.ML.Trainers Obor názvů

Obor názvů obsahující školitele, parametry modelu a nástroje

Třídy

AveragedLinearOptions

Třída argumentů pro průměrované lineární školitele.

AveragedLinearTrainer<TTransformer,TModel>

Základní třída pro průměrované lineární školitele.

AveragedPerceptronTrainer

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného s průměrným perceptronem.

AveragedPerceptronTrainer.Options

Možnosti pro pole použité v AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)nástroji AveragedPerceptronTrainer .

CoefficientStatistics

Představuje objekt statistiky koeficientu obsahující statistiku o počítaných parametrech modelu.

ComputeLogisticRegressionStandardDeviation

Vypočítá matici směrodatné odchylky každé z nenulových trénovacích vah, potřebných k dalšímu výpočtu směrodatné odchylky, p-hodnoty a skóre z. Použijte implementaci této třídy v balíčku Microsoft.ML.Mkl.Components, který používá knihovnu Intel Math Kernel Library. Vzhledem k existenci regularizace se k výpočtu odchylek trénovaných lineárních koeficientů používá aproximace.

ComputeLRTrainingStdThroughMkl

Obor názvů obsahující školitele, parametry modelu a nástroje

ExpLoss

Exponenciální ztráta, která se běžně používá v úlohách klasifikace.

ExponentialLRDecay

Tato třída implementuje exponenciální pokles rychlosti učení. Implementované z dokumentace tensorflow. Zdroj: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Výchozí hodnoty a implementace rychlosti učení jsou z testů modelu Tensorflow Slim. Zdroj: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

FeatureContributionCalculator

Podpora výpočtu příspěvku na funkci

FieldAwareFactorizationMachineModelParameters

Parametry modelu pro FieldAwareFactorizationMachineTrainer.

FieldAwareFactorizationMachinePredictionTransformer

Obor názvů obsahující školitele, parametry modelu a nástroje

FieldAwareFactorizationMachineTrainer

Předpovědět IEstimator<TTransformer> cíl pomocí modelu faktorizačního stroje pracujícího s polem natrénovaného pomocí stochastické gradientní metody.

FieldAwareFactorizationMachineTrainer.Options

FieldAwareFactorizationMachineTrainer.Options pro FieldAwareFactorizationMachineTrainer , jak se používá v FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

HingeLoss

Pant Loss, běžně používaný při klasifikačních úlohách.

KMeansModelParameters

Obor názvů obsahující školitele, parametry modelu a nástroje

KMeansTrainer

Trénování IEstimator<TTransformer> clustereru KMeans

KMeansTrainer.Options

Možnosti pro, jak se KMeansTrainer používají v KMeansTrainer(Options).

LbfgsLogisticRegressionBinaryTrainer

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního logistického regresního modelu vytrénovaného metodou L-BFGS.

LbfgsLogisticRegressionBinaryTrainer.Options

Možnosti pro , jak se LbfgsLogisticRegressionBinaryTrainer používají v LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

LbfgsMaximumEntropyMulticlassTrainer

Predikce IEstimator<TTransformer> cíle pomocí klasifikátoru maximální entropie s více třídami vytrénovaným metodou L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options

LbfgsMaximumEntropyMulticlassTrainer.Options pro LbfgsMaximumEntropyMulticlassTrainer , jak se používá v LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

LbfgsPoissonRegressionTrainer

Trénování IEstimator<TTransformer> Poissonova regresního modelu.

LbfgsPoissonRegressionTrainer.Options

Možnosti pro hodnotu použitou LbfgsPoissonRegressionTrainer v LbfgsPoissonRegression(Options).

LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Základní třída možností pro odhadce školitele odvozené zLbfgsTrainerBase<TOptions,TTransformer,TModel>.

LbfgsTrainerBase<TOptions,TTransformer,TModel>

Základní třída pro trenéry založené na L-BFGS.

LdSvmModelParameters

Obor názvů obsahující školitele, parametry modelu a nástroje

LdSvmTrainer

Předpovědět IEstimator<TTransformer> cíl pomocí nelineárního binárního klasifikačního modelu vytrénovaného pomocí místního hlubokého SVM.

LdSvmTrainer.Options

Obor názvů obsahující školitele, parametry modelu a nástroje

LearningRateScheduler

Tato abstraktní třída definuje plánovač rychlosti učení.

LinearBinaryModelParameters

Třída parametrů modelu pro odhady lineárních binárních školitelů.

LinearModelParameters

Základní třída pro parametry lineárního modelu.

LinearModelParameterStatistics

Statistika parametrů lineárního modelu

LinearMulticlassModelParameters

Lineární model klasifikátorů s více třídami. Vypíše nezpracovaná skóre všech svých lineárních modelů a není k dispozici žádný pravděpodobný výstup.

LinearMulticlassModelParametersBase

Běžný lineární model klasifikátorů s více třídami LinearMulticlassModelParameters obsahuje jeden lineární model pro každou třídu.

LinearRegressionModelParameters

Parametry modelu pro lineární regresi

LinearSvmTrainer

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného pomocí lineárního SVM.

LinearSvmTrainer.Options

Možnosti pro pole použité v LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)nástroji LinearSvmTrainer .

LinearTrainerBase<TTransformer,TModel>

Obor názvů obsahující školitele, parametry modelu a nástroje

LogLoss

Ztráta protokolu, označovaná také jako křížová ztráta entropie. Běžně se používá v úlohách klasifikace.

LsrDecay

Tato třída implementuje lineární pravidlo škálování a rozpad LR. Implementace převzatá z srovnávacího testu RESNET-CIFAR v Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

MatrixFactorizationTrainer

Predikce IEstimator<TTransformer> prvků v matici pomocí faktorizace matice (označované také jako typ filtrování založeného na spolupráci).

MatrixFactorizationTrainer.Options

Možnosti pro, jak se MatrixFactorizationTrainer používají v MatrixFactorization(Options).

MaximumEntropyModelParameters

Lineární maximální entropie modelu klasifikátorů s více třídami. Vypíše pravděpodobnosti tříd. Tento model se také označuje jako multinomická logistická regrese. Podrobnosti najdete v tématu https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

MetaMulticlassTrainer<TTransformer,TModel>

Obor názvů obsahující školitele, parametry modelu a nástroje

ModelParametersBase<TOutput>

Obecná základní třída pro všechny parametry modelu.

ModelStatisticsBase

Statistika parametrů lineárního modelu

NaiveBayesMulticlassModelParameters

Parametry modelu pro NaiveBayesMulticlassTrainer.

NaiveBayesMulticlassTrainer

Pro IEstimator<TTransformer> trénování vícetřídového modelu Naive Bayes, který podporuje binární hodnoty funkcí.

OlsModelParameters

Parametry modelu pro OlsTrainer.

OlsTrainer

Trénování IEstimator<TTransformer> modelu lineární regrese pomocí běžných nejmenších čtverců (OLS) pro odhad parametrů lineárního regresního modelu.

OlsTrainer.Options

Možnosti pro, jak se OlsTrainer používají v Ols(Options)

OneVersusAllModelParameters

Parametry modelu pro OneVersusAllTrainer.

OneVersusAllTrainer

Pro IEstimator<TTransformer> trénování klasifikátoru s více třídami, který používá zadaný binární klasifikátor.

OnlineGradientDescentTrainer

Pro IEstimator<TTransformer> trénování modelu lineární regrese pomocí online gradientního sestupu (OGD) pro odhad parametrů modelu lineární regrese.

OnlineGradientDescentTrainer.Options

Možnosti pro, jak se OnlineGradientDescentTrainer používá v OnlineGradientDescent(Options).

OnlineLinearOptions

Třída argumentů pro online lineární školitele.

OnlineLinearTrainer<TTransformer,TModel>

Základní třída pro online lineární školitele. Online školitele je možné postupně aktualizovat pomocí dalších dat.

PairwiseCouplingModelParameters

Parametry modelu pro PairwiseCouplingTrainer.

PairwiseCouplingTrainer

Pro IEstimator<TTransformer> trénování vícetřídní klasifikátoru párového spojení, který používá zadaný binární klasifikátor.

PcaModelParameters

Parametry modelu pro RandomizedPcaTrainer.

PoissonLoss

Funkce Poisson Loss pro Poissonovu regresi.

PoissonRegressionModelParameters

Parametry modelu pro Poissonova regrese.

PolynomialLRDecay

Tato třída implementuje rozpad rychlosti polynomického učení. Implementované z dokumentace tensorflow. Zdroj: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Výchozí hodnoty a implementace rychlosti učení jsou z testů modelu Tensorflow Slim. Zdroj: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

PriorModelParameters

Parametry modelu pro PriorTrainer.

PriorTrainer

Pro IEstimator<TTransformer> predikci cíle pomocí binárního klasifikačního modelu.

RandomizedPcaTrainer

The IEstimator<TTransformer> pro trénování přibližné PCA pomocí randomizovaného algoritmu SVD.

RandomizedPcaTrainer.Options

Možnosti pro, jak se RandomizedPcaTrainer používá v RandomizedPca(Options).

RegressionModelParameters

Parametry modelu pro regresi

SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase

Možnosti pro SdcaBinaryTrainerBase<TModelParameters>.

SdcaBinaryTrainerBase<TModelParameters>

SDCA je obecný trénovací algoritmus pro (zobecněné) lineární modely, jako je podpůrný vektorový stroj, lineární regrese, logistická regrese atd. Řada školitelů binární klasifikace SDCA obsahuje několik zapečetěných členů: (1) SdcaNonCalibratedBinaryTrainer podporuje obecné ztrátové funkce a vrací LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer v podstatě trénuje model regularizované logistické regrese. Vzhledem k tomu, že logistická regrese přirozeně poskytuje výstup pravděpodobnosti, je CalibratedModelParametersBase<TSubModel,TCalibrator>tento vygenerovaný model typu . kde TSubModel je LinearBinaryModelParameters a TCalibrator je PlattCalibrator.

SdcaLogisticRegressionBinaryTrainer

Pro IEstimator<TTransformer> trénování binárního modelu klasifikace logistické regrese pomocí stochastické metody duální souřadnice. Natrénovaný model je kalibrován a může vytvořit pravděpodobnost tím, že výstupní hodnotu lineární funkce dosadí .PlattCalibrator

SdcaLogisticRegressionBinaryTrainer.Options

Možnosti pro, jak se SdcaLogisticRegressionBinaryTrainer používá v SdcaLogisticRegression(Options).

SdcaMaximumEntropyMulticlassTrainer

Chcete-li IEstimator<TTransformer> předpovědět cíl pomocí klasifikátoru maximální entropie s více třídami. Natrénovaný model MaximumEntropyModelParameters vytváří pravděpodobnosti tříd.

SdcaMaximumEntropyMulticlassTrainer.Options

SdcaMaximumEntropyMulticlassTrainer.Options pro SdcaMaximumEntropyMulticlassTrainer , jak se používá v SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

SdcaMulticlassTrainerBase<TModel>.MulticlassOptions

Možnosti pro SdcaMulticlassTrainerBase<TModel>.

SdcaMulticlassTrainerBase<TModel>

Chcete-li IEstimator<TTransformer> předpovědět cíl pomocí lineárního klasifikátoru s více třídami vytrénovaným metodou souřadnicového sestupu. V závislosti na použité ztrátové funkci může být trénovaným modelem například klasifikátor maximální entropie nebo podpůrný vektorový stroj s více třídami.

SdcaNonCalibratedBinaryTrainer

Pro IEstimator<TTransformer> trénování binárního klasifikačního modelu logistické regrese pomocí metody stochastického výstupu duální souřadnice.

SdcaNonCalibratedBinaryTrainer.Options

Možnosti pro SdcaNonCalibratedBinaryTrainer.

SdcaNonCalibratedMulticlassTrainer

PředpovědětIEstimator<TTransformer> cíl pomocí lineárního klasifikátoru s více třídami. Vytrénovaný model LinearMulticlassModelParameters vytváří pravděpodobnosti tříd.

SdcaNonCalibratedMulticlassTrainer.Options

SdcaNonCalibratedMulticlassTrainer.Options pro SdcaNonCalibratedMulticlassTrainer , jak se používá v SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

SdcaRegressionTrainer

Pro IEstimator<TTransformer> trénování regresního modelu pomocí metody stochastického výstupu se dvěma souřadnicemi.

SdcaRegressionTrainer.Options

Možnosti pro SdcaRegressionTrainer.

SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Možnosti pro školitele založené na SDCA.

SdcaTrainerBase<TOptions,TTransformer,TModel>

Obor názvů obsahující školitele, parametry modelu a nástroje

SgdBinaryTrainerBase<TModel>.OptionsBase

Obor názvů obsahující školitele, parametry modelu a nástroje

SgdBinaryTrainerBase<TModel>

Obor názvů obsahující školitele, parametry modelu a nástroje

SgdCalibratedTrainer

Pro IEstimator<TTransformer> trénování logistické regrese pomocí metody paralelního stochastického gradientu. Vytrénovaný model je kalibrován a může vytvořit pravděpodobnost tím, že výstupní hodnotu lineární funkce předá do PlattCalibrator.

SgdCalibratedTrainer.Options

Možnosti pro, jak se SgdCalibratedTrainer používají v SgdCalibrated(Options).

SgdNonCalibratedTrainer

Pro IEstimator<TTransformer> trénování logistické regrese pomocí metody paralelního stochastického gradientu.

SgdNonCalibratedTrainer.Options

Možnosti pro, SgdNonCalibratedTrainer jak se používají v SgdNonCalibrated(Options).

SmoothedHingeLoss

Plynulá verze funkce, která se HingeLoss běžně používá v úlohách klasifikace.

SquaredLoss

Kvadraná ztráta, běžně používaná v regresních úlohách.

StochasticTrainerBase<TTransformer,TModel>

Obor názvů obsahující školitele, parametry modelu a nástroje

SymbolicSgdLogisticRegressionBinaryTrainer

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného pomocí symbolického stochastického gradientního sestupu.

SymbolicSgdLogisticRegressionBinaryTrainer.Options

Možnosti pro, jak se SymbolicSgdLogisticRegressionBinaryTrainer používají v SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

TrainerEstimatorBase<TTransformer,TModel>

Představuje základní třídu pro "jednoduchého školitele". "Jednoduchý školitel" přijímá jeden sloupec funkce a jeden sloupec popisku, volitelně také sloupec hmotnosti. Vytváří "prediktivní transformátor".

TrainerEstimatorBaseWithGroupId<TTransformer,TModel>

Představuje základní třídu pro "jednoduchého školitele". "Jednoduchý školitel" přijímá jeden sloupec funkce a jeden sloupec popisku, volitelně také sloupec hmotnosti. Vytváří "prediktivní transformátor".

TrainerInputBase

Základní třída pro všechny vstupy školitele.

TrainerInputBaseWithGroupId

Základní třída pro všechny vstupy školitele, které podporují skupinový sloupec.

TrainerInputBaseWithLabel

Základní třída pro všechny vstupy školitele, které podporují sloupec Label.

TrainerInputBaseWithWeight

Základní třída pro všechny vstupy trenéra, které podporují sloupec hmotnosti.

TweedieLoss

Ztráta tweedie na základě pravděpodobnosti rozdělení tweedie v protokolu. Tato funkce ztráty se používá v regresi Tweedie.

UnsupervisedTrainerInputBaseWithWeight

Základní třída pro všechny vstupy školitele bez supervize, které podporují sloupec hmotnosti.

Struktury

LsrDecay.LearningRateSchedulerItem

Tato struktura představuje typ položky plánovače rychlosti učení.

Rozhraní

ICalculateFeatureContribution

Umožňuje podporu výpočtu příspěvku funkce podle parametrů modelu.

IClassificationLoss

Obor názvů obsahující školitele, parametry modelu a nástroje

ILossFunction<TOutput,TLabel>

Obor názvů obsahující školitele, parametry modelu a nástroje

IRegressionLoss

Obor názvů obsahující školitele, parametry modelu a nástroje

IScalarLoss

Obor názvů obsahující školitele, parametry modelu a nástroje

ISupportSdcaClassificationLoss

Obor názvů obsahující školitele, parametry modelu a nástroje

ISupportSdcaLoss

Funkce ztráty může znát blízké řešení optimální duální aktualizace Ref: Sec(6.2) of http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

ISupportSdcaRegressionLoss

Obor názvů obsahující školitele, parametry modelu a nástroje

ITrainerEstimator<TTransformer,TModel>

Rozhraní pro trainer Estimator.

Výčty

KMeansTrainer.InitializationAlgorithm

Obor názvů obsahující školitele, parametry modelu a nástroje

MatrixFactorizationTrainer.LossFunctionType

Typ funkce ztráty.