Microsoft.ML.Trainers Espacio de nombres

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Clases

AveragedLinearOptions

Clase arguments para instructores lineales promedio.

AveragedLinearTrainer<TTransformer,TModel>

Clase base para entrenadores lineales promedio.

AveragedPerceptronTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con el perceptrón promedio.

AveragedPerceptronTrainer.Options

Opciones de como AveragedPerceptronTrainer se usa en AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

CoefficientStatistics

Representa un objeto de estadísticas de coeficiente que contiene estadísticas sobre los parámetros del modelo calculado.

ComputeLogisticRegressionStandardDeviation

Calcula la matriz de desviación estándar de cada uno de los pesos de entrenamiento distintos de cero, necesarios para calcular aún más la desviación estándar, el valor p y la puntuación z. Use la implementación de esta clase en el paquete Microsoft.ML.Mkl.Components que usa la biblioteca de kernels matemáticas de Intel. Debido a la existencia de regularización, se usa una aproximación para calcular las variaciones de los coeficientes lineales entrenados.

ComputeLRTrainingStdThroughMkl

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

ExpLoss

Pérdida exponencial, que se usa normalmente en las tareas de clasificación.

ExponentialLRDecay

Esta clase implementa la disminución de la velocidad de aprendizaje exponencial. Se implementa desde la documentación de tensorflow. Origen: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay los valores predeterminados y la implementación de la velocidad de aprendizaje proceden de las pruebas de modelo Slim de Tensorflow. Fuente: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

FeatureContributionCalculator

Compatibilidad con el cálculo de la contribución de características.

FieldAwareFactorizationMachineModelParameters

Parámetros de modelo para FieldAwareFactorizationMachineTrainer.

FieldAwareFactorizationMachinePredictionTransformer

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

FieldAwareFactorizationMachineTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de máquina de factorización con reconocimiento de campos entrenado mediante un método de degradado estocástico.

FieldAwareFactorizationMachineTrainer.Options

FieldAwareFactorizationMachineTrainer.Options para FieldAwareFactorizationMachineTrainer como se usa en FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

HingeLoss

Pérdida de bisagra, que se usa normalmente en las tareas de clasificación.

KMeansModelParameters

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

KMeansTrainer

IEstimator<TTransformer> para entrenar un clúster de KMeans

KMeansTrainer.Options

Opciones de como KMeansTrainer se usa en KMeansTrainer(Options).

LbfgsLogisticRegressionBinaryTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de regresión logística lineal entrenado con el método L-BFGS.

LbfgsLogisticRegressionBinaryTrainer.Options

Opciones de como LbfgsLogisticRegressionBinaryTrainer se usa en LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

LbfgsMaximumEntropyMulticlassTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un clasificador multiclase de entropía máximo entrenado con el método L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options

LbfgsMaximumEntropyMulticlassTrainer.Options para LbfgsMaximumEntropyMulticlassTrainer como se usa en LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

LbfgsPoissonRegressionTrainer

para IEstimator<TTransformer> entrenar un modelo de regresión de Poisson.

LbfgsPoissonRegressionTrainer.Options

Opciones de como LbfgsPoissonRegressionTrainer se usa en LbfgsPoissonRegression(Options).

LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Clase de opciones base para estimadores de instructores de losLbfgsTrainerBase<TOptions,TTransformer,TModel> que se deriva.

LbfgsTrainerBase<TOptions,TTransformer,TModel>

Clase base para instructores basados en L-BFGS.

LdSvmModelParameters

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

LdSvmTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria no lineal entrenado con SVM profundo local.

LdSvmTrainer.Options

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

LearningRateScheduler

Esta clase abstracta define un programador de velocidad de aprendizaje.

LinearBinaryModelParameters

Clase de parámetros de modelo para estimadores de instructor binario lineal.

LinearModelParameters

Clase base para parámetros de modelo lineal.

LinearModelParameterStatistics

Estadísticas de parámetros de modelo lineal.

LinearMulticlassModelParameters

Modelo lineal de clasificadores multiclase. Genera puntuaciones sin procesar de todos sus modelos lineales y no se proporciona ninguna salida probablista.

LinearMulticlassModelParametersBase

Modelo lineal común de clasificadores multiclase. LinearMulticlassModelParameters contiene un único modelo lineal por clase.

LinearRegressionModelParameters

Parámetros del modelo para la regresión lineal.

LinearSvmTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con SVM lineal.

LinearSvmTrainer.Options

Opciones de como LinearSvmTrainer se usa en LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

LinearTrainerBase<TTransformer,TModel>

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

LogLoss

La pérdida de registro, también conocida como pérdida de entropía cruzada. Normalmente se usa en las tareas de clasificación.

LsrDecay

Esta clase implementa la regla de escalado lineal y la disminución de LR. Implementación adoptada de la prueba comparativa RESNET-CIFAR en Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

MatrixFactorizationTrainer

que IEstimator<TTransformer> se va a predecir elementos de una matriz mediante la factorización de matriz (también conocida como un tipo de filtrado colaborativo).

MatrixFactorizationTrainer.Options

Opciones de como MatrixFactorizationTrainer se usa en MatrixFactorization(Options).

MaximumEntropyModelParameters

Modelo de entropía máxima lineal de clasificadores multiclase. Genera probabilidades de clases. Este modelo también se conoce como regresión logística multinómica. https://en.wikipedia.org/wiki/Multinomial_logistic_regression Consulte para obtener más información.

MetaMulticlassTrainer<TTransformer,TModel>

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

ModelParametersBase<TOutput>

Clase base genérica para todos los parámetros del modelo.

ModelStatisticsBase

Estadísticas de parámetros de modelo lineal.

NaiveBayesMulticlassModelParameters

Parámetros de modelo para NaiveBayesMulticlassTrainer.

NaiveBayesMulticlassTrainer

IEstimator<TTransformer> para entrenar un modelo Bayes naive multiclase que admite valores de características binarias.

OlsModelParameters

Parámetros de modelo para OlsTrainer.

OlsTrainer

para IEstimator<TTransformer> entrenar un modelo de regresión lineal mediante cuadrados mínimos normales (OLS) para calcular los parámetros del modelo de regresión lineal.

OlsTrainer.Options

Opciones de como OlsTrainer se usa en Ols(Options)

OneVersusAllModelParameters

Parámetros de modelo para OneVersusAllTrainer.

OneVersusAllTrainer

IEstimator<TTransformer> para entrenar un clasificador uno frente a todo de varias clases que usa el clasificador binario especificado.

OnlineGradientDescentTrainer

para IEstimator<TTransformer> entrenar un modelo de regresión lineal mediante descenso de degradado en línea (OGD) para calcular los parámetros del modelo de regresión lineal.

OnlineGradientDescentTrainer.Options

Opciones de como OnlineGradientDescentTrainer se usa en OnlineGradientDescent(Options).

OnlineLinearOptions

Clase arguments para instructores lineales en línea.

OnlineLinearTrainer<TTransformer,TModel>

Clase base para instructores lineales en línea. Los instructores en línea se pueden actualizar incrementalmente con datos adicionales.

PairwiseCouplingModelParameters

Parámetros de modelo para PairwiseCouplingTrainer.

PairwiseCouplingTrainer

para IEstimator<TTransformer> entrenar un clasificador de varias clases de acoplamiento en pares que usa el clasificador binario especificado.

PcaModelParameters

Parámetros de modelo para RandomizedPcaTrainer.

PoissonLoss

Función Poisson Loss para regresión de Poisson.

PoissonRegressionModelParameters

Parámetros de modelo para regresión de Poisson.

PolynomialLRDecay

Esta clase implementa la degradación de velocidad de aprendizaje polinómica. Se implementa desde la documentación de tensorflow. Origen: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay los valores predeterminados y la implementación de la velocidad de aprendizaje proceden de las pruebas de modelo Slim de Tensorflow. Fuente: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

PriorModelParameters

Parámetros de modelo para PriorTrainer.

PriorTrainer

IEstimator<TTransformer> para predecir un destino mediante un modelo de clasificación binaria.

RandomizedPcaTrainer

para IEstimator<TTransformer> entrenar un PCA aproximado mediante el algoritmo SVD aleatorio.

RandomizedPcaTrainer.Options

Opciones de como RandomizedPcaTrainer se usa en RandomdPca(Options).

RegressionModelParameters

Parámetros del modelo para la regresión.

SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase

Opciones de SdcaBinaryTrainerBase<TModelParameters>.

SdcaBinaryTrainerBase<TModelParameters>

SDCA es un algoritmo de entrenamiento general para modelos lineales (generalizados), como la máquina de vectores de soporte, la regresión lineal, la regresión logística, etc. La familia del instructor de clasificación binaria sdCA incluye varios miembros sellados: (1) SdcaNonCalibratedBinaryTrainer admite funciones de pérdida generales y devuelve LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer básicamente entrena un modelo de regresión logística regularizada. Dado que la regresión logística proporciona naturalmente una salida de probabilidad, el tipo del modelo generado es CalibratedModelParametersBase<TSubModel,TCalibrator>. donde TSubModel es LinearBinaryModelParameters y TCalibrator es PlattCalibrator.

SdcaLogisticRegressionBinaryTrainer

para IEstimator<TTransformer> entrenar un modelo de clasificación de regresión logística binaria mediante el método de ascenso de coordenada dual estocástico. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator

SdcaLogisticRegressionBinaryTrainer.Options

Opciones de como SdcaLogisticRegressionBinaryTrainer se usa en SdcaLogisticRegression(Options).

SdcaMaximumEntropyMulticlassTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un clasificador multiclase de entropía máximo. El modelo MaximumEntropyModelParameters entrenado genera probabilidades de clases.

SdcaMaximumEntropyMulticlassTrainer.Options

SdcaMaximumEntropyMulticlassTrainer.Options para SdcaMaximumEntropyMulticlassTrainer como se usa en SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

SdcaMulticlassTrainerBase<TModel>.MulticlassOptions

Opciones de .SdcaMulticlassTrainerBase<TModel>

SdcaMulticlassTrainerBase<TModel>

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificador multiclase lineal entrenado con un método de descenso de coordenadas. Según la función de pérdida usada, el modelo entrenado puede ser, por ejemplo, el clasificador de entropía máximo o la máquina de vectores de soporte de varias clases.

SdcaNonCalibratedBinaryTrainer

para IEstimator<TTransformer> entrenar un modelo de clasificación de regresión logística binaria mediante el método de ascenso de coordenada dual estocástico.

SdcaNonCalibratedBinaryTrainer.Options

Opciones de .SdcaNonCalibratedBinaryTrainer

SdcaNonCalibratedMulticlassTrainer

queIEstimator<TTransformer> se va a predecir un destino mediante un clasificador lineal de varias clases. El modelo LinearMulticlassModelParameters entrenado genera probabilidades de clases.

SdcaNonCalibratedMulticlassTrainer.Options

SdcaNonCalibratedMulticlassTrainer.Options para SdcaNonCalibratedMulticlassTrainer como se usa en SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

SdcaRegressionTrainer

para IEstimator<TTransformer> entrenar un modelo de regresión mediante el método de ascenso de coordenada dual estocástico.

SdcaRegressionTrainer.Options

Opciones de .SdcaRegressionTrainer

SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase

Opciones para los instructores basados en SDCA.

SdcaTrainerBase<TOptions,TTransformer,TModel>

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

SgdBinaryTrainerBase<TModel>.OptionsBase

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

SgdBinaryTrainerBase<TModel>

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

SgdCalibratedTrainer

para IEstimator<TTransformer> la regresión logística de entrenamiento mediante un método de degradado estocástico paralelo. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator

SgdCalibratedTrainer.Options

Opciones de como SgdCalibratedTrainer se usa en SgdCalibrated(Options).

SgdNonCalibratedTrainer

para IEstimator<TTransformer> la regresión logística de entrenamiento mediante un método de degradado estocástico paralelo.

SgdNonCalibratedTrainer.Options

Opciones de como SgdNonCalibratedTrainer se usa en SgdNonCalibrated(Options).

SmoothedHingeLoss

Una versión fluida de la HingeLoss función, que se usa normalmente en las tareas de clasificación.

SquaredLoss

Pérdida cuadrada, que se usa normalmente en las tareas de regresión.

StochasticTrainerBase<TTransformer,TModel>

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

SymbolicSgdLogisticRegressionBinaryTrainer

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con el descenso de degradado estocástico simbólico.

SymbolicSgdLogisticRegressionBinaryTrainer.Options

Opciones de como SymbolicSgdLogisticRegressionBinaryTrainer se usa en SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

TrainerEstimatorBase<TTransformer,TModel>

Esto representa una clase básica para "instructor simple". Un "instructor simple" acepta una columna de características y una columna de etiqueta, también opcionalmente una columna de peso. Genera un "transformador de predicción".

TrainerEstimatorBaseWithGroupId<TTransformer,TModel>

Esto representa una clase básica para "instructor simple". Un "instructor simple" acepta una columna de características y una columna de etiqueta, también opcionalmente una columna de peso. Genera un "transformador de predicción".

TrainerInputBase

Clase base para todas las entradas del instructor.

TrainerInputBaseWithGroupId

Clase base para todas las entradas del instructor que admiten una columna de grupo.

TrainerInputBaseWithLabel

Clase base para todas las entradas del instructor que admiten una columna Etiqueta.

TrainerInputBaseWithWeight

Clase base para todas las entradas del instructor que admiten una columna de peso.

TweedieLoss

Pérdida de Tweedie, en función de la probabilidad de registro de la distribución de Tweedie. Esta función de pérdida se usa en la regresión de Tweedie.

UnsupervisedTrainerInputBaseWithWeight

Clase base para todas las entradas de instructor no supervisados que admiten una columna de peso.

Estructuras

LsrDecay.LearningRateSchedulerItem

Esta estructura representa un tipo de elemento de programador de velocidad de aprendizaje.

Interfaces

ICalculateFeatureContribution

Permite la compatibilidad con el cálculo de la contribución de características por parámetros del modelo.

IClassificationLoss

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

ILossFunction<TOutput,TLabel>

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

IRegressionLoss

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

IScalarLoss

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

ISupportSdcaClassificationLoss

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

ISupportSdcaLoss

La función de pérdida puede conocer la solución de forma cercana a la actualización dual óptima Ref: Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

ISupportSdcaRegressionLoss

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

ITrainerEstimator<TTransformer,TModel>

Interfaz para el estimador de instructores.

Enumeraciones

KMeansTrainer.InitializationAlgorithm

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

MatrixFactorizationTrainer.LossFunctionType

Tipo de función de pérdida.