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
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.