Freigeben über


Microsoft.ML.Trainers Namespace

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Klassen

AveragedLinearOptions

Arguments-Klasse für gemittelte lineare Trainer.

AveragedLinearTrainer<TTransformer,TModel>

Basisklasse für gemittelte lineare Trainer.

AveragedPerceptronTrainer

Der IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorherzusagen, das mit dem gemittelten Perceptron trainiert wurde.

AveragedPerceptronTrainer.Options

Optionen für die AveragedPerceptronTrainer , wie in AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)verwendet.

CoefficientStatistics

Stellt ein Koeffizientenstatistikobjekt dar, das Statistiken zu den berechneten Modellparametern enthält.

ComputeLogisticRegressionStandardDeviation

Berechnet die Standardabweichungsmatrix jeder Trainingsgewichtung ungleich Null, die erforderlich ist, um die Standardabweichung, den p-Wert und den Z-Score weiter zu berechnen. Verwenden Sie die Implementierung dieser Klasse im Microsoft.ML.Mkl.Components-Paket, das die Intel Math Kernel Library verwendet. Aufgrund des Vorhandenseins einer Regularisierung wird eine Näherung verwendet, um die Varianzen der trainierten linearen Koeffizienten zu berechnen.

ComputeLRTrainingStdThroughMkl

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

ExpLoss

Exponentieller Verlust, der häufig in Klassifizierungsaufgaben verwendet wird.

ExponentialLRDecay

Diese Klasse implementiert den Verfall der Exponential Learning-Rate. Implementiert aus der Tensorflow-Dokumentation. Quelle: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Standardwerte und Implementierung der Lernrate stammen aus Tensorflow Slim-Modelltests. Quelle: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

FeatureContributionCalculator

Unterstützung für die Berechnung des Featurebeitrags.

FieldAwareFactorizationMachineModelParameters

Modellparameter für FieldAwareFactorizationMachineTrainer.

FieldAwareFactorizationMachinePredictionTransformer

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

FieldAwareFactorizationMachineTrainer

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines feldfähigen Factorisierungsmaschinenmodells vorherzusagen, das mit einer stochastischen Gradientenmethode trainiert wurde.

FieldAwareFactorizationMachineTrainer.Options

FieldAwareFactorizationMachineTrainer.Options für FieldAwareFactorizationMachineTrainer , wie in FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)verwendet.

HingeLoss

Scharnierverlust, häufig in Klassifizierungsaufgaben verwendet.

KMeansModelParameters

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

KMeansTrainer

Die IEstimator<TTransformer> zum Trainieren eines KMeans-Clusterers

KMeansTrainer.Options

Optionen für, KMeansTrainer wie in KMeansTrainer(Options) verwendet.

LbfgsLogisticRegressionBinaryTrainer

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen logistischen Regressionsmodells vorherzusagen, das mit der L-BFGS-Methode trainiert wurde.

LbfgsLogisticRegressionBinaryTrainer.Options

Optionen für die LbfgsLogisticRegressionBinaryTrainer , wie in LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

LbfgsMaximumEntropyMulticlassTrainer

Die IEstimator<TTransformer> , um ein Ziel mit einem maximalen Entropie-Multiklassenklassifizierungs-Klassifizierer vorherzusagen, der mit der L-BFGS-Methode trainiert wurde.

LbfgsMaximumEntropyMulticlassTrainer.Options

LbfgsMaximumEntropyMulticlassTrainer.Options für LbfgsMaximumEntropyMulticlassTrainer , wie in LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)verwendet.

LbfgsPoissonRegressionTrainer

Die IEstimator<TTransformer> zum Trainieren eines Poisson-Regressionsmodells.

LbfgsPoissonRegressionTrainer.Options

Optionen für, LbfgsPoissonRegressionTrainer wie in LbfgsPoissonRegression(Options) verwendet.

LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Basisoptionsklasse für Trainerschätzungen, die vonLbfgsTrainerBase<TOptions,TTransformer,TModel> abgeleitet werden.

LbfgsTrainerBase<TOptions,TTransformer,TModel>

Basisklasse für L-BFGS-basierte Trainer.

LdSvmModelParameters

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

LdSvmTrainer

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines nichtlinearen binären Klassifizierungsmodells vorherzusagen, das mit local Deep SVM trainiert wurde.

LdSvmTrainer.Options

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

LearningRateScheduler

Diese abstrakte Klasse definiert einen Lernratenplaner.

LinearBinaryModelParameters

Die Modellparameterklasse für lineare binäre Trainerschätzungen.

LinearModelParameters

Basisklasse für lineare Modellparameter.

LinearModelParameterStatistics

Statistiken für lineare Modellparameter.

LinearMulticlassModelParameters

Lineares Modell von Multiklassenklassifizierern. Es gibt rohe Bewertungen aller linearen Modelle aus, und es wird keine probablistische Ausgabe bereitgestellt.

LinearMulticlassModelParametersBase

Allgemeines lineares Modell von Multiklassenklassifizierern. LinearMulticlassModelParameters enthält ein einzelnes lineares Modell pro Klasse.

LinearRegressionModelParameters

Modellparameter für die lineare Regression.

LinearSvmTrainer

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorherzusagen, das mit Linear SVM trainiert wurde.

LinearSvmTrainer.Options

Optionen für die LinearSvmTrainer , wie in LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)verwendet.

LinearTrainerBase<TTransformer,TModel>

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

LogLoss

Der Protokollverlust, auch bekannt als Kreuzentropieverlust. Es wird häufig in Klassifizierungsaufgaben verwendet.

LsrDecay

Diese Klasse implementiert eine lineare Skalierungsregel und LR-Verfall. Implementierung aus dem RESNET-CIFAR-Benchmarktest in Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

MatrixFactorizationTrainer

Der IEstimator<TTransformer> , der Elemente in einer Matrix mithilfe der Matrixfaktorisierung vorhersagt (auch bekannt als eine Art der kollaborativen Filterung).

MatrixFactorizationTrainer.Options

Optionen für, MatrixFactorizationTrainer wie in MatrixFactorization(Options) verwendet.

MaximumEntropyModelParameters

Lineares maximales Entropiemodell von Multiklassenklassifizierern. Es gibt Klassenwahrscheinlichkeiten aus. Dieses Modell wird auch als multinomiale logistische Regression bezeichnet. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

MetaMulticlassTrainer<TTransformer,TModel>

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

ModelParametersBase<TOutput>

Generische Basisklasse für alle Modellparameter.

ModelStatisticsBase

Statistiken für lineare Modellparameter.

NaiveBayesMulticlassModelParameters

Modellparameter für NaiveBayesMulticlassTrainer.

NaiveBayesMulticlassTrainer

Die IEstimator<TTransformer> zum Trainieren eines mehrklassigen Naive Bayes-Modells, das binäre Featurewerte unterstützt.

OlsModelParameters

Modellparameter für OlsTrainer.

OlsTrainer

Die IEstimator<TTransformer> zum Trainieren eines linearen Regressionsmodells mit gewöhnlichen kleinsten Quadraten (OLS) zum Schätzen der Parameter des linearen Regressionsmodells.

OlsTrainer.Options

Optionen für , OlsTrainer wie in Ols(Options) verwendet

OneVersusAllModelParameters

Modellparameter für OneVersusAllTrainer.

OneVersusAllTrainer

Die IEstimator<TTransformer> zum Trainieren eines 1-versus-all-Klassenklassifizierers, der den angegebenen binären Klassifizierer verwendet.

OnlineGradientDescentTrainer

Die IEstimator<TTransformer> zum Trainieren eines linearen Regressionsmodells mithilfe von Online Gradient Descent (OGD) zum Schätzen der Parameter des linearen Regressionsmodells.

OnlineGradientDescentTrainer.Options

Optionen für , OnlineGradientDescentTrainer wie in OnlineGradientDescent(Options) verwendet.

OnlineLinearOptions

Arguments-Klasse für lineare Onlinetrainer.

OnlineLinearTrainer<TTransformer,TModel>

Basisklasse für lineare Onlinetrainer. Online-Trainer können inkrementell mit zusätzlichen Daten aktualisiert werden.

PairwiseCouplingModelParameters

Modellparameter für PairwiseCouplingTrainer.

PairwiseCouplingTrainer

Die IEstimator<TTransformer> zum Trainieren eines paarweisen Kopplungs-Multiklassenklassifizierers, der den angegebenen binären Klassifizierer verwendet.

PcaModelParameters

Modellparameter für RandomizedPcaTrainer.

PoissonLoss

Poisson Loss-Funktion für Poisson Regression.

PoissonRegressionModelParameters

Modellparameter für Poisson-Regression.

PolynomialLRDecay

Diese Klasse implementiert polynomialen Lernratenzerfall. Implementiert aus der Tensorflow-Dokumentation. Quelle: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Standardwerte und Implementierung der Lernrate stammen aus Tensorflow Slim-Modelltests. Quelle: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

PriorModelParameters

Modellparameter für PriorTrainer.

PriorTrainer

Die IEstimator<TTransformer> zum Vorhersagen eines Ziels mithilfe eines binären Klassifizierungsmodells.

RandomizedPcaTrainer

Die IEstimator<TTransformer> zum Trainieren einer ungefähren PCA mithilfe des randomisierten SVD-Algorithmus.

RandomizedPcaTrainer.Options

Optionen für, RandomizedPcaTrainer wie in RandomizedPca(Options) verwendet.

RegressionModelParameters

Modellparameter für die Regression.

SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase

Optionen für SdcaBinaryTrainerBase<TModelParameters>.

SdcaBinaryTrainerBase<TModelParameters>

SDCA ist ein allgemeiner Trainingsalgorithmus für (generalisierte) lineare Modelle wie Unterstützungsvektormaschine, lineare Regression, logistische Regression usw. SDCA-Binärklassifizierungstrainerfamilie umfasst mehrere versiegelte Member: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und gibt zurück LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein regularisiertes logistisches Regressionsmodell. Da die logistische Regression natürlich eine Wahrscheinlichkeitsausgabe bereitstellt, ist CalibratedModelParametersBase<TSubModel,TCalibrator>der Typ dieses generierten Modells . dabei TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator.

SdcaLogisticRegressionBinaryTrainer

Die IEstimator<TTransformer> zum Trainieren eines binären logistischen Regressionsklassifizierungsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode. Das trainierte Modell wird kalibriert und kann eine Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion in ein PlattCalibrator-Objekt eingespeist wird.

SdcaLogisticRegressionBinaryTrainer.Options

Optionen für, SdcaLogisticRegressionBinaryTrainer wie in SdcaLogisticRegression(Options) verwendet.

SdcaMaximumEntropyMulticlassTrainer

Die IEstimator<TTransformer> , um ein Ziel mit einem maximalen Entropie-Multiklassenklassifizierungs-Klassifizierer vorherzusagen. Das trainierte Modell MaximumEntropyModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

SdcaMaximumEntropyMulticlassTrainer.Options

SdcaMaximumEntropyMulticlassTrainer.Options für SdcaMaximumEntropyMulticlassTrainer wie verwendet in SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

SdcaMulticlassTrainerBase<TModel>.MulticlassOptions

Optionen für .SdcaMulticlassTrainerBase<TModel>

SdcaMulticlassTrainerBase<TModel>

Der IEstimator<TTransformer> , der ein Ziel mithilfe eines linearen Multiklassenklassifizierermodells vorhersagt, das mit einer Koordinatenabstiegsmethode trainiert wurde. Abhängig von der verwendeten Verlustfunktion kann das trainierte Modell z. B. ein maximaler Entropieklassifizierer oder eine Mehrklassen-Unterstützungsvektormaschine sein.

SdcaNonCalibratedBinaryTrainer

Die IEstimator<TTransformer> zum Trainieren eines binären logistischen Regressionsklassifizierungsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode.

SdcaNonCalibratedBinaryTrainer.Options

Optionen für .SdcaNonCalibratedBinaryTrainer

SdcaNonCalibratedMulticlassTrainer

DieIEstimator<TTransformer> , um ein Ziel mithilfe eines linearen Multiklassenklassifizierers vorherzusagen. Das trainierte Modell LinearMulticlassModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

SdcaNonCalibratedMulticlassTrainer.Options

SdcaNonCalibratedMulticlassTrainer.Options für SdcaNonCalibratedMulticlassTrainer , wie in SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)verwendet.

SdcaRegressionTrainer

Die IEstimator<TTransformer> zum Trainieren eines Regressionsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode.

SdcaRegressionTrainer.Options

Optionen für .SdcaRegressionTrainer

SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Optionen für die SDCA-basierten Trainer.

SdcaTrainerBase<TOptions,TTransformer,TModel>

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

SgdBinaryTrainerBase<TModel>.OptionsBase

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

SgdBinaryTrainerBase<TModel>

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

SgdCalibratedTrainer

Die IEstimator<TTransformer> zum Trainieren der logistischen Regression mit einer parallelen stochastischen Gradientenmethode. Das trainierte Modell wird kalibriert und kann eine Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion in ein PlattCalibrator-Objekt eingespeist wird.

SgdCalibratedTrainer.Options

Optionen für, SgdCalibratedTrainer wie in SgdCalibrated(Options) verwendet.

SgdNonCalibratedTrainer

Die IEstimator<TTransformer> zum Trainieren der logistischen Regression mit einer parallelen stochastischen Gradientenmethode.

SgdNonCalibratedTrainer.Options

Optionen für , SgdNonCalibratedTrainer wie in SgdNonCalibrated(Options) verwendet.

SmoothedHingeLoss

Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.

SquaredLoss

Der quadratische Verlust, der häufig in Regressionsaufgaben verwendet wird.

StochasticTrainerBase<TTransformer,TModel>

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

SymbolicSgdLogisticRegressionBinaryTrainer

Der IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorherzusagen, das mit dem symbolischen stochastischen Gradientenabstieg trainiert wurde.

SymbolicSgdLogisticRegressionBinaryTrainer.Options

Optionen für die SymbolicSgdLogisticRegressionBinaryTrainer , wie in SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)verwendet.

TrainerEstimatorBase<TTransformer,TModel>

Dies stellt eine Basisklasse für "simple trainer" dar. Ein "einfacher Trainer" akzeptiert eine Featurespalte und eine Bezeichnungsspalte, optional auch eine Gewichtungsspalte. Es erzeugt einen "Vorhersagetransformator".

TrainerEstimatorBaseWithGroupId<TTransformer,TModel>

Dies stellt eine Basisklasse für "simple trainer" dar. Ein "einfacher Trainer" akzeptiert eine Featurespalte und eine Bezeichnungsspalte, optional auch eine Gewichtungsspalte. Es erzeugt einen "Vorhersagetransformator".

TrainerInputBase

Die Basisklasse für alle Trainereingaben.

TrainerInputBaseWithGroupId

Die Basisklasse für alle Trainereingaben, die eine Gruppenspalte unterstützen.

TrainerInputBaseWithLabel

Die Basisklasse für alle Trainereingaben, die eine Label-Spalte unterstützen.

TrainerInputBaseWithWeight

Die Basisklasse für alle Trainereingaben, die eine Gewichtungsspalte unterstützen.

TweedieLoss

Tweedie-Verlust, basierend auf der Protokollwahrscheinlichkeit der Tweedie-Verteilung. Diese Verlustfunktion wird in der Tweedie-Regression verwendet.

UnsupervisedTrainerInputBaseWithWeight

Die Basisklasse für alle nicht überwachten Trainereingaben, die eine Gewichtungsspalte unterstützen.

Strukturen

LsrDecay.LearningRateSchedulerItem

Diese Struktur stellt einen Elementtyp des Lernratenplans dar.

Schnittstellen

ICalculateFeatureContribution

Ermöglicht die Unterstützung für die Berechnung des Featurebeitrags nach Modellparametern.

IClassificationLoss

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

ILossFunction<TOutput,TLabel>

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

IRegressionLoss

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

IScalarLoss

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

ISupportSdcaClassificationLoss

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

ISupportSdcaLoss

Die Loss-Funktion kennt möglicherweise die Nahformlösung für die optimale duale Aktualisierung Ref: Sec(6.2) von http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

ISupportSdcaRegressionLoss

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

ITrainerEstimator<TTransformer,TModel>

Schnittstelle für den Trainer-Estimator.

Enumerationen

KMeansTrainer.InitializationAlgorithm

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

MatrixFactorizationTrainer.LossFunctionType

Typ der Verlustfunktion.