BinaryClassificationCatalog.BinaryClassificationTrainers Klasse

Definition

Namespace:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v5.0.0-preview.1.25125.4

Quelle:

TrainCatalog.cs

Klasse, die zum Erstellen von MLContext Instanzen binärer Klassifizierungstrainer verwendet wird.

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

type BinaryClassificationCatalog.BinaryClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase

Public NotInheritable Class BinaryClassificationCatalog.BinaryClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase

Vererbung

Object

TrainCatalogBase.CatalogInstantiatorBase

BinaryClassificationCatalog.BinaryClassificationTrainers

Erweiterungsmethoden

Name	Beschreibung
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)	Erstellen Sie eine AveragedPerceptronTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wurde.
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)	Erstellen Sie ein AveragedPerceptronTrainerZiel, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells voraussagt, das über boolesche Bezeichnungsdaten trainiert wurde.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)	Erstellen Sie FastForestBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines Regressionsmodells für die Entscheidungsstruktur vorhersagen.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)	Erstellen Sie FastForestBinaryTrainerein Ziel, das ein Ziel mithilfe eines Regressionsmodells für die Entscheidungsstruktur vorhersagt.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)	Erstellen Sie FastTreeBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines binären Klassifizierungsmodells für die Entscheidungsstruktur vorhersagen.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)	Erstellen Sie FastTreeBinaryTrainerein Ziel, das ein Ziel mithilfe eines binären Klassifizierungsmodells für die Entscheidungsstruktur vorhersagt.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)	Erstellen Sie FieldAwareFactorizationMachineTrainer mithilfe erweiterter Optionen, die ein Ziel mithilfe einer feldfähigen Factorisierungsmaschine vorhersagen, die über boolesche Bezeichnungsdaten trainiert wurde.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)	Erstellen Sie FieldAwareFactorizationMachineTrainer, was ein Ziel mithilfe einer feldfähigen Factorisierungsmaschine voraussagt, die über boolesche Bezeichnungsdaten trainiert wurde.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)	Erstellen Sie FieldAwareFactorizationMachineTrainer, was ein Ziel mithilfe einer feldfähigen Factorisierungsmaschine voraussagt, die über boolesche Bezeichnungsdaten trainiert wurde.
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)	Erstellen Sie GamBinaryTrainer mithilfe erweiterter Optionen, die ein Ziel mit generalisierten additiven Modellen (GAM) vorhersagen.
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)	Erstellen Sie GamBinaryTrainerein Ziel, das ein Ziel mithilfe generalisierter additiver Modelle (GAM) vorhersagt.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)	Erstellen Sie LbfgsLogisticRegressionBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wurde.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	Erstellen Sie LbfgsLogisticRegressionBinaryTrainerein Ziel, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells voraussagt, das über boolesche Bezeichnungsdaten trainiert wurde.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)	Erstellen Sie LdSvmTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines lokalen Deep SVM-Modells vorhersagen.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)	Erstellen Sie LdSvmTrainerein Ziel, das ein Ziel mithilfe eines lokalen Deep SVM-Modells vorhersagt.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)	Erstellen Sie LightGbmBinaryTrainer mit erweiterten Optionen, die ein Ziel mit einer Farbverlaufssteigerung der binären Klassifizierung der Entscheidungsstruktur vorhersagen.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)	Erstellen Sie LightGbmBinaryTrainer aus einem vorab trainierten LightGBM-Modell, das ein Ziel mithilfe einer Farbverlaufshervorhebung der binären Klassifizierung der Entscheidungsstruktur vorhersagt.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)	Erstellen Sie LightGbmBinaryTrainerein Ziel, das ein Ziel mithilfe einer binären Klassifizierung der Entscheidungsstruktur zur Farbverlaufssteigerung vorhersagt.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)	Erstellen Sie LinearSvmTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wurde.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)	Erstellen Sie LinearSvmTrainerein Ziel, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells voraussagt, das über boolesche Bezeichnungsdaten trainiert wurde.
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)	Erstellen Sie PriorTrainerein Ziel, das ein Ziel mithilfe eines binären Klassifizierungsmodells vorhersagt.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)	Erstellen Sie SdcaLogisticRegressionBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Erstellen Sie SdcaLogisticRegressionBinaryTrainerein Ziel, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)	Erstellen Sie SdcaNonCalibratedBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wurde.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Erstellen Sie SdcaNonCalibratedBinaryTrainerein Ziel, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)	Erstellen Sie SgdCalibratedTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen. Stochastischer Farbverlaufsabstieg (SGD) ist ein iterativer Algorithmus, der eine unterschiedliche Zielfunktion optimiert.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)	Erstellen Sie SgdCalibratedTrainerein Ziel, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt. Stochastischer Farbverlaufsabstieg (SGD) ist ein iterativer Algorithmus, der eine unterschiedliche Zielfunktion optimiert.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)	Erstellen Sie SgdNonCalibratedTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen. Stochastischer Farbverlaufsabstieg (SGD) ist ein iterativer Algorithmus, der eine unterschiedliche Zielfunktion optimiert.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)	Erstellen Sie SgdNonCalibratedTrainerein Ziel, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt. Stochastischer Farbverlaufsabstieg (SGD) ist ein iterativer Algorithmus, der eine unterschiedliche Zielfunktion optimiert.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Erstellen Sie SymbolicSgdLogisticRegressionBinaryTrainerein Ziel, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells voraussagt, das über boolesche Bezeichnungsdaten trainiert wurde. Stochastischer Farbverlaufsabstieg (SGD) ist ein iterativer Algorithmus, der eine unterschiedliche Zielfunktion optimiert. Die SymbolicSgdLogisticRegressionBinaryTrainer Parallelisierung von SGD erfolgt mithilfe der symbolischen Ausführung.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Erstellen Sie SymbolicSgdLogisticRegressionBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wurde. Stochastischer Farbverlaufsabstieg (SGD) ist ein iterativer Algorithmus, der eine unterschiedliche Zielfunktion optimiert. Die SymbolicSgdLogisticRegressionBinaryTrainer Parallelisierung von SGD erfolgt mithilfe der symbolischen Ausführung.