Microsoft.ML.Trainers Espace de noms

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Classes

AveragedLinearOptions	Classe Arguments pour les entraîneurs linéaires moyens.
AveragedLinearTrainer<TTransformer,TModel>	Classe de base pour les entraîneurs linéaires moyens.
AveragedPerceptronTrainer	pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec le perceptron moyen.
AveragedPerceptronTrainer.Options	Options pour le AveragedPerceptronTrainer telles qu’utilisées dans AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).
CoefficientStatistics	Représente un objet de statistiques de coefficient contenant des statistiques sur les paramètres de modèle calculés.
ComputeLogisticRegressionStandardDeviation	Calcule la matrice d’écart-type de chacun des poids d’entraînement non nuls, nécessaires pour calculer davantage l’écart-type, la valeur p et le z-Score. Utilisez l’implémentation de cette classe dans le package Microsoft.ML.Mkl.Components qui utilise la bibliothèque de noyaux Mathématiques Intel. En raison de l’existence de la régularisation, une approximation est utilisée pour calculer les variances des coefficients linéaires entraînés.
ComputeLRTrainingStdThroughMkl	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
ExpLoss	Perte exponentielle, couramment utilisée dans les tâches de classification.
ExponentialLRDecay	Cette classe implémente la dégradation du taux d’apprentissage exponentiel. Implémenté à partir de la documentation tensorflow. Source : https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Les valeurs par défaut et l’implémentation du taux d’apprentissage proviennent des tests de modèle Tensorflow Slim. Source : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	Prise en charge du calcul de la contribution aux fonctionnalités.
FieldAwareFactorizationMachineModelParameters	Paramètres de modèle pour FieldAwareFactorizationMachineTrainer.
FieldAwareFactorizationMachinePredictionTransformer	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
FieldAwareFactorizationMachineTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de machine de factorisation prenant en compte le champ entraîné à l’aide d’une méthode de gradient stochastique.
FieldAwareFactorizationMachineTrainer.Options	FieldAwareFactorizationMachineTrainer.Options pour FieldAwareFactorizationMachineTrainer comme utilisé dans FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).
HingeLoss	Perte de charnière, couramment utilisé dans les tâches de classification.
KMeansModelParameters	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
KMeansTrainer	pour IEstimator<TTransformer> la formation d’un clusterer KMeans
KMeansTrainer.Options	Options pour le KMeansTrainer comme utilisé dans KMeansTrainer(Options).
LbfgsLogisticRegressionBinaryTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de régression logistique linéaire entraîné avec la méthode L-BFGS.
LbfgsLogisticRegressionBinaryTrainer.Options	Options pour le tel qu’utilisé LbfgsLogisticRegressionBinaryTrainer dans LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
LbfgsMaximumEntropyMulticlassTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un classifieur multiclasse d’entropie maximale entraîné avec la méthode L-BFGS.
LbfgsMaximumEntropyMulticlassTrainer.Options	LbfgsMaximumEntropyMulticlassTrainer.Options pour LbfgsMaximumEntropyMulticlassTrainer comme utilisé dans LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).
LbfgsPoissonRegressionTrainer	IEstimator<TTransformer> pour l’entraînement d’un modèle de régression Poisson.
LbfgsPoissonRegressionTrainer.Options	Options pour le LbfgsPoissonRegressionTrainer comme utilisé dans LbfgsPoissonRegression(Options).
LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Classe d’options de base pour les estimateurs de formateur dérivés.LbfgsTrainerBase<TOptions,TTransformer,TModel>
LbfgsTrainerBase<TOptions,TTransformer,TModel>	Classe de base pour les formateurs basés sur L-BFGS.
LdSvmModelParameters	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
LdSvmTrainer	pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire non linéaire entraîné avec la machine virtuelle SVM profonde locale.
LdSvmTrainer.Options	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
LearningRateScheduler	Cette classe abstraite définit un planificateur de taux d’apprentissage.
LinearBinaryModelParameters	Classe de paramètres de modèle pour les estimateurs de formateur binaire linéaire.
LinearModelParameters	Classe de base pour les paramètres de modèle linéaire.
LinearModelParameterStatistics	Statistiques pour les paramètres de modèle linéaire.
LinearMulticlassModelParameters	Modèle linéaire des classifieurs multiclasses. Il génère des scores bruts de tous ses modèles linéaires, et aucune sortie probablistique n’est fournie.
LinearMulticlassModelParametersBase	Modèle linéaire commun des classifieurs multiclasses. LinearMulticlassModelParameters contient un seul modèle linéaire par classe.
LinearRegressionModelParameters	Paramètres de modèle pour la régression linéaire.
LinearSvmTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec une machine virtuelle linéaire.
LinearSvmTrainer.Options	Options pour le LinearSvmTrainer telles qu’utilisées dans LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).
LinearTrainerBase<TTransformer,TModel>	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
LogLoss	Perte de journal, également appelée perte d’entropie croisée. Il est couramment utilisé dans les tâches de classification.
LsrDecay	Cette classe implémente la règle de mise à l’échelle linéaire et la désintégration LR. Implémentation adoptée à partir du test de référence RESNET-CIFAR dans Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py
MaximumEntropyModelParameters	Modèle d’entropie maximale linéaire des classifieurs multiclasses. Il génère des probabilités de classes. Ce modèle est également appelé régression logistique multinomiale. https://en.wikipedia.org/wiki/Multinomial_logistic_regression Consultez pour plus d’informations.
MetaMulticlassTrainer<TTransformer,TModel>	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
ModelParametersBase<TOutput>	Classe de base générique pour tous les paramètres de modèle.
ModelStatisticsBase	Statistiques pour les paramètres de modèle linéaire.
NaiveBayesMulticlassModelParameters	Paramètres de modèle pour NaiveBayesMulticlassTrainer.
NaiveBayesMulticlassTrainer	IEstimator<TTransformer> pour l’apprentissage d’un modèle Naive Bayes multiclasse qui prend en charge les valeurs de fonctionnalité binaires.
OlsModelParameters	Paramètres de modèle pour OlsTrainer.
OlsTrainer	IEstimator<TTransformer> pour l’apprentissage d’un modèle de régression linéaire à l’aide de moindres carrés ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire.
OlsTrainer.Options	Options pour le OlsTrainer tel qu’utilisé dans Ols(Options)
OneVersusAllModelParameters	Paramètres de modèle pour OneVersusAllTrainer.
OneVersusAllTrainer	IEstimator<TTransformer> pour l’apprentissage d’un classifieur multiclasse un contre tous qui utilise le classifieur binaire spécifié.
OnlineGradientDescentTrainer	pour IEstimator<TTransformer> l’apprentissage d’un modèle de régression linéaire à l’aide de la descente de gradient en ligne (OGD) pour estimer les paramètres du modèle de régression linéaire.
OnlineGradientDescentTrainer.Options	Options pour le OnlineGradientDescentTrainer comme utilisé dans OnlineGradientDescent(Options).
OnlineLinearOptions	Classe Arguments pour les formateurs linéaires en ligne.
OnlineLinearTrainer<TTransformer,TModel>	Classe de base pour les entraîneurs linéaires en ligne. Les formateurs en ligne peuvent être mis à jour de manière incrémentielle avec des données supplémentaires.
PairwiseCouplingModelParameters	Paramètres de modèle pour PairwiseCouplingTrainer.
PairwiseCouplingTrainer	IEstimator<TTransformer> pour l’apprentissage d’un classifieur multiclasse couplé par paire qui utilise le classifieur binaire spécifié.
PcaModelParameters	Paramètres de modèle pour RandomizedPcaTrainer.
PoissonLoss	Fonction Perte de poisson pour La régression de Poisson.
PoissonRegressionModelParameters	Paramètres de modèle pour la régression de Poisson.
PolynomialLRDecay	Cette classe implémente la désintégration du taux d’apprentissage polynomial. Implémenté à partir de la documentation tensorflow. Source : https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Les valeurs par défaut et l’implémentation du taux d’apprentissage proviennent des tests de modèle Tensorflow Slim. Source : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
PriorModelParameters	Paramètres de modèle pour PriorTrainer.
PriorTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classification binaire.
RandomizedPcaTrainer	pour IEstimator<TTransformer> l’entraînement d’un PCA approximatif à l’aide d’un algorithme SVD aléatoire.
RandomizedPcaTrainer.Options	Options pour le RandomizedPcaTrainer comme utilisé dans RandomdPca(Options).
RegressionModelParameters	Paramètres de modèle pour la régression.
SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase	Options pour SdcaBinaryTrainerBase<TModelParameters>.
SdcaBinaryTrainerBase<TModelParameters>	SDCA est un algorithme d’entraînement général pour les modèles linéaires (généralisés), tels que la machine à vecteurs de prise en charge, la régression linéaire, la régression logistique, etc. La famille de formateurs de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et retourne LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régularisé. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>. où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer	pour IEstimator<TTransformer> l’apprentissage d’un modèle de classification de régression logistique binaire à l’aide de la méthode d’ascension stochastique à double coordonnée. Le modèle entraîné est étalonné et peut produire une probabilité en alimentant la valeur de sortie de la fonction linéaire à un PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer.Options	Options pour le SdcaLogisticRegressionBinaryTrainer comme utilisé dans SdcaLogisticRegression(Options).
SdcaMaximumEntropyMulticlassTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un classifieur multiclasse d’entropie maximale. Le modèle MaximumEntropyModelParameters entraîné produit des probabilités de classes.
SdcaMaximumEntropyMulticlassTrainer.Options	SdcaMaximumEntropyMulticlassTrainer.Options pour SdcaMaximumEntropyMulticlassTrainer tel qu’utilisé dans SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
SdcaMulticlassTrainerBase<TModel>.MulticlassOptions	Options pour .SdcaMulticlassTrainerBase<TModel>
SdcaMulticlassTrainerBase<TModel>	IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classifieur multiclasse linéaire entraîné avec une méthode de descente de coordonnées. Selon la fonction de perte utilisée, le modèle entraîné peut être, par exemple, classifieur d’entropie maximale ou machine vectorielle de prise en charge multiclasse.
SdcaNonCalibratedBinaryTrainer	pour IEstimator<TTransformer> l’apprentissage d’un modèle de classification de régression logistique binaire à l’aide de la méthode stochastic double coordonnée ascente.
SdcaNonCalibratedBinaryTrainer.Options	Options pour .SdcaNonCalibratedBinaryTrainer
SdcaNonCalibratedMulticlassTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters entraîné produit des probabilités de classes.
SdcaNonCalibratedMulticlassTrainer.Options	SdcaNonCalibratedMulticlassTrainer.Options pour SdcaNonCalibratedMulticlassTrainer comme utilisé dans SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).
SdcaRegressionTrainer	pour IEstimator<TTransformer> l’apprentissage d’un modèle de régression à l’aide de la méthode stochastique d’ascente de coordonnées doubles.
SdcaRegressionTrainer.Options	Options pour .SdcaRegressionTrainer
SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Options pour les formateurs basés sur SDCA.
SdcaTrainerBase<TOptions,TTransformer,TModel>	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
SgdBinaryTrainerBase<TModel>.OptionsBase	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
SgdBinaryTrainerBase<TModel>	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
SgdCalibratedTrainer	pour l’entraînement IEstimator<TTransformer> de la régression logistique à l’aide d’une méthode de gradient stochastique parallèle. Le modèle entraîné est étalonné et peut produire une probabilité en alimentant la valeur de sortie de la fonction linéaire à un PlattCalibrator.
SgdCalibratedTrainer.Options	Options pour le SgdCalibratedTrainer tel qu’utilisé dans SgdCalibrated(Options).
SgdNonCalibratedTrainer	pour l’entraînement IEstimator<TTransformer> de la régression logistique à l’aide d’une méthode de gradient stochastique parallèle.
SgdNonCalibratedTrainer.Options	Options pour le SgdNonCalibratedTrainer tel qu’utilisé dans SgdNonCalibrated(Options).
SmoothedHingeLoss	Version fluide de la HingeLoss fonction, couramment utilisée dans les tâches de classification.
SquaredLoss	La perte carrée, couramment utilisée dans les tâches de régression.
StochasticTrainerBase<TTransformer,TModel>	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
SymbolicSgdLogisticRegressionBinaryTrainer	IEstimator<TTransformer> pour prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la descente de gradient stochastique symbolique.
SymbolicSgdLogisticRegressionBinaryTrainer.Options	Options pour le SymbolicSgdLogisticRegressionBinaryTrainer tel qu’utilisé dans SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).
TrainerEstimatorBase<TTransformer,TModel>	Il s’agit d’une classe de base pour « formateur simple ». Un « formateur simple » accepte une colonne de caractéristique et une colonne d’étiquette, ainsi qu’une colonne de poids. Elle produit un « transformateur de prédiction ».
TrainerEstimatorBaseWithGroupId<TTransformer,TModel>	Il s’agit d’une classe de base pour « formateur simple ». Un « formateur simple » accepte une colonne de caractéristique et une colonne d’étiquette, ainsi qu’une colonne de poids. Elle produit un « transformateur de prédiction ».
TrainerInputBase	Classe de base pour toutes les entrées du formateur.
TrainerInputBaseWithGroupId	Classe de base pour toutes les entrées du formateur qui prennent en charge une colonne de groupe.
TrainerInputBaseWithLabel	Classe de base pour toutes les entrées du formateur qui prennent en charge une colonne Label.
TrainerInputBaseWithWeight	Classe de base pour toutes les entrées d’entraîneur qui prennent en charge une colonne de poids.
TweedieLoss	Perte de Tweedie, basée sur la probabilité logarithmique de la distribution de Tweedie. Cette fonction de perte est utilisée dans la régression Tweedie.
UnsupervisedTrainerInputBaseWithWeight	Classe de base pour toutes les entrées d’entraîneur non supervisées qui prennent en charge une colonne de poids.

Structures

LsrDecay.LearningRateSchedulerItem

Cette structure représente un type d’élément du planificateur de taux d’apprentissage

Interfaces

ICalculateFeatureContribution	Permet la prise en charge du calcul de la contribution aux fonctionnalités par paramètres de modèle.
IClassificationLoss	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
ILossFunction<TOutput,TLabel>	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
IRegressionLoss	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
IScalarLoss	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
ISupportSdcaClassificationLoss	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
ISupportSdcaLoss	La fonction de perte peut connaître la solution de forme rapprochée de la double mise à jour optimale Ref : Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf
ISupportSdcaRegressionLoss	Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.
ITrainerEstimator<TTransformer,TModel>	Interface pour l’estimateur de formateur.

Énumérations

KMeansTrainer.InitializationAlgorithm

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.