Microsoft.ML.Trainers Espacio de nombres

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

Clases

AveragedLinearOptions	Clase arguments para entrenadores lineales promedios.
AveragedLinearTrainer<TTransformer,TModel>	Clase base para entrenadores lineales promedios.
AveragedPerceptronTrainer	que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con el perceptrón medio.
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 no 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 intel math kernel. 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 modelos de Tensorflow Slim. Origen: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	Compatibilidad con el cálculo de contribución de características.
FieldAwareFactorizationMachineModelParameters	Parámetros de modelo para FieldAwareFactorizationMachineTrainer.
FieldAwareFactorizationMachinePredictionTransformer	Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.
FieldAwareFactorizationMachineTrainer	IEstimator<TTransformer> para 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	IEstimator<TTransformer> para 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	para IEstimator<TTransformer> 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	IEstimator<TTransformer> para 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	IEstimator<TTransformer> para predecir un destino mediante un modelo de clasificación binaria no lineal entrenado con SVM profunda 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 instructores binarios lineales.
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 probablística.
LinearMulticlassModelParametersBase	Modelo lineal común de clasificadores multiclase. LinearMulticlassModelParameters contiene un único modelo lineal por clase.
LinearRegressionModelParameters	Parámetros de modelo para la regresión lineal.
LinearSvmTrainer	IEstimator<TTransformer> que 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 la 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
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	IEstimator<TTransformer> para entrenar un modelo de regresión lineal mediante cuadrados mínimos ordinarios (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 multiclase que usa el clasificador binario especificado.
OnlineGradientDescentTrainer	IEstimator<TTransformer> para 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	IEstimator<TTransformer> para entrenar un clasificador multiclase 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 disminución de la 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 modelos de Tensorflow Slim. Origen: 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	IEstimator<TTransformer> para entrenar un PCA aproximado mediante el algoritmo SVD aleatorio.
RandomizedPcaTrainer.Options	Opciones de como RandomizedPcaTrainer se usa en RandomdPca(Options).
RegressionModelParameters	Parámetros de 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 de instructores de clasificación binaria sdCA incluye varios miembros sellados: (1) SdcaNonCalibratedBinaryTrainer admite funciones de pérdida general y devuelve LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer básicamente entrena un modelo de regresión logística regularizada. Dado que la regresión logística proporciona naturalmente la salida de probabilidad, el tipo del modelo generado es CalibratedModelParametersBase<TSubModel,TCalibrator>. donde TSubModel es LinearBinaryModelParameters y TCalibrator es PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer	IEstimator<TTransformer> para 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	IEstimator<TTransformer> que 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>	IEstimator<TTransformer> para 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 compatibilidad con 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 del programador de velocidad de aprendizaje

Interfaces

ICalculateFeatureContribution	Permite la compatibilidad con el cálculo de 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.