TransformsCatalog Classe

Définition

Espace de noms:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Paquet:

Microsoft.ML v2.0.0

Classe utilisée par MLContext la création d’instances de composants de transformation.

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

Héritage

Object

TransformsCatalog

Propriétés

Categorical	Liste des opérations sur les données catégorielles.
Conversion	Liste des opérations pour la conversion de type de données.
FeatureSelection	Liste des opérations permettant de sélectionner des fonctionnalités en fonction de certains critères.
Text	Liste des opérations pour le traitement des données texte.

Méthodes d’extension

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	Créez un CustomMappingEstimator<TSrc,TDst>mappage personnalisé des colonnes d’entrée pour générer des colonnes.
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	Créez un StatefulCustomMappingEstimator<TSrc,TDst,TState>mappage personnalisé des colonnes d’entrée aux colonnes de sortie, tout en autorisant un état par curseur.
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	Créez un FeatureContributionCalculatingEstimator calcul des scores de contribution spécifiques au modèle pour chaque fonctionnalité du vecteur d’entrée.
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	Créez un FeatureContributionCalculatingEstimator calcul des scores de contribution spécifiques au modèle pour chaque fonctionnalité du vecteur d’entrée. Prend en charge les modèles étalonnés.
Expression(TransformsCatalog, String, String, String[])	Crée un objet ExpressionEstimator.
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	Créez un MissingValueIndicatorEstimator, qui copie les données de la colonne spécifiée dans InputColumnName une nouvelle colonne : OutputColumnName
IndicateMissingValues(TransformsCatalog, String, String)	Créez un MissingValueIndicatorEstimator, qui analyse les données de la colonne spécifiée et inputColumnName remplit une nouvelle colonne spécifiée outputColumnName avec le vecteur de bools où i-th bool a la valeur de true si l’élément i-th dans les données de colonne a une valeur manquante et false sinon.
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	Créez un ColumnCopyingEstimator, qui copie les données de la colonne spécifiée dans InputColumnName une nouvelle colonne : OutputColumnName et remplace les valeurs manquantes dans celle-ci en fonction de replacementMode.
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	Créez un MissingValueReplacingEstimator, qui copie les données de la colonne spécifiée dans inputColumnName une nouvelle colonne : outputColumnName et remplace les valeurs manquantes dans celle-ci en fonction de replacementMode.
ConvertToGrayscale(TransformsCatalog, String, String)	Créez un ImageGrayscalingEstimator, qui convertit des images dans la colonne spécifiée en InputColumnName images de mise à l’échelle grise dans une nouvelle colonne : OutputColumnName.
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	Créez une VectorToImageConvertingEstimatorimage à partir des données de la colonne spécifiée dans inputColumnName une nouvelle colonne : outputColumnName
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	Créez un ImagePixelExtractingEstimator, qui extrait les valeurs de pixels des données spécifiées dans la colonne : vers une nouvelle colonne : inputColumnNameoutputColumnName.
LoadImages(TransformsCatalog, String, String, String)	Créez un ImageLoadingEstimator, qui charge les données de la colonne spécifiée en inputColumnName tant qu’image dans une nouvelle colonne : outputColumnName.
LoadRawImageBytes(TransformsCatalog, String, String, String)	Créez un ImageLoadingEstimator, qui charge les données de la colonne spécifiée en inputColumnName tant qu’image d’octets bruts vers une nouvelle colonne : outputColumnName
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	Créez un ImageResizingEstimator, qui redimensionne l’image de la colonne spécifiée dans inputColumnName une nouvelle colonne : outputColumnName
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	Créez un ApproximatedKernelMappingEstimator vecteur d’entrée qui mappe les vecteurs d’entrée à un espace de caractéristique faible dimension où les produits internes se rapprochent d’une fonction de noyau invariante de décalage.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Prend la colonne remplie d’un vecteur de variables aléatoires avec une matrice de covariance connue dans un ensemble de nouvelles variables dont la covariance est la matrice d’identité, ce qui signifie qu’elles ne sont pas liées et chacune ont la variance 1.
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs avec une densité égale.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs avec une densité égale.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Créez un GlobalContrastNormalizingEstimator, qui normalise les colonnes individuellement en appliquant la normalisation globale du contraste. Le paramètre ensureZeroMean sur true, applique une étape de prétraitement pour que la moyenne de la colonne spécifiée soit le vecteur zéro.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	Créez un LpNormNormalizingEstimatorvecteur , qui normalise (scales) des vecteurs dans la colonne d’entrée à la norme d’unité. Le type de norme utilisé est défini par norm. Le paramètre ensureZeroMean sur true, applique une étape de prétraitement pour que la moyenne de la colonne spécifiée soit un vecteur zéro.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance des données.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance des données.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction des valeurs minimales et maximales observées des données.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction des valeurs minimales et maximales observées des données.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	Créez un NormalizingEstimator, qui normalise à l’aide de statistiques robustes pour les valeurs hors norme en centreant les données autour de 0 (suppression de la médiane) et met à l’échelle les données en fonction de la plage quantile (par défaut à la plage interquartile).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	Créez un NormalizingEstimator, qui normalise à l’aide de statistiques robustes pour les valeurs hors norme en centreant les données autour de 0 (suppression de la médiane) et met à l’échelle les données en fonction de la plage quantile (par défaut à la plage interquartile).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs en fonction de la corrélation avec la labelColumnName colonne.
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs en fonction de la corrélation avec la labelColumnName colonne.
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	Créez un OnnxScoringEstimator à l’aide de l’élément OnnxOptionsspécifié . Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné à la colonne d’entrée. Les colonnes d’entrée/sortie sont déterminées en fonction des colonnes d’entrée/sortie du modèle ONNX fourni. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné à la colonne d’entrée. Les colonnes d’entrée/sortie sont déterminées en fonction des colonnes d’entrée/sortie du modèle ONNX fourni. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné à la inputColumnName colonne. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné à la inputColumnName colonne. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné aux inputColumnNames colonnes. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné aux inputColumnNames colonnes. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	Créez un OnnxScoringEstimatormodèle Onnx préentraîné aux inputColumnNames colonnes. Pour en savoir plus sur les dépendances nécessaires, voir OnnxScoringEstimator comment l’exécuter sur un GPU.
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Créez DnnImageFeaturizerEstimator, qui applique l’un des modèles DNN préentraînés dans DnnImageModelSelector le cas de la caractérisation d’une image.
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	Initialise une nouvelle instance de PrincipalComponentAnalyzer.
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Créez SrCnnAnomalyEstimator, qui détecte les anomalies de série chronologique à l’aide de l’algorithme SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Créez SsaChangePointEstimator, qui prédit les points de modification dans les séries chronologiques à l’aide de l’analyse SSA (Singular Spectrum Analysis).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Obsolète. Créez SsaChangePointEstimator, qui prédit les points de modification dans les séries chronologiques à l’aide de l’analyse SSA (Singular Spectrum Analysis).
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Créez IidChangePointEstimator, qui prédit les points de modification dans une série chronologique distribuée de manière indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Obsolète. Créez IidChangePointEstimator, qui prédit les points de modification dans une série chronologique distribuée de manière indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Créez IidSpikeEstimator, qui prédit des pics dans des séries chronologiques distribuées de manière indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Obsolète. Créez IidSpikeEstimator, qui prédit des pics dans des séries chronologiques distribuées de manière indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	CréezSsaSpikeEstimator, ce qui prédit des pics dans les séries chronologiques à l’aide de l’analyse SSA (Singular Spectrum Analysis).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Obsolète. CréezSsaSpikeEstimator, ce qui prédit des pics dans les séries chronologiques à l’aide de l’analyse SSA (Singular Spectrum Analysis).
Concatenate(TransformsCatalog, String, String[])	Créez un ColumnConcatenatingEstimator, qui concaténe une ou plusieurs colonnes d’entrée dans une nouvelle colonne de sortie.
CopyColumns(TransformsCatalog, String, String)	Créez un ColumnCopyingEstimator, qui copie les données de la colonne spécifiée dans inputColumnName une nouvelle colonne : outputColumnName
DropColumns(TransformsCatalog, String[])	Créez un ColumnSelectingEstimator, qui supprime une liste donnée de colonnes à partir d’un IDataView. Toute colonne non spécifiée est conservée dans la sortie.
SelectColumns(TransformsCatalog, String[])	Créez un ColumnSelectingEstimator, qui conserve une liste donnée de colonnes dans un IDataView et supprime les autres.
SelectColumns(TransformsCatalog, String[], Boolean)	Créez un ColumnSelectingEstimator, qui conserve une liste donnée de colonnes dans un IDataView et supprime les autres.
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Créez FastForestBinaryFeaturizationEstimator, qui utilise FastForestBinaryTrainer pour effectuer l’apprentissage TreeEnsembleModelParameters pour créer des fonctionnalités basées sur des arborescences.
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Créez FastForestRegressionFeaturizationEstimator, qui utilise FastForestRegressionTrainer pour effectuer l’apprentissage TreeEnsembleModelParameters pour créer des fonctionnalités basées sur des arborescences.
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Créez FastTreeBinaryFeaturizationEstimator, qui utilise FastTreeBinaryTrainer pour effectuer l’apprentissage TreeEnsembleModelParameters pour créer des fonctionnalités basées sur des arborescences.
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Créez FastTreeRankingFeaturizationEstimator, qui utilise FastTreeRankingTrainer pour effectuer l’apprentissage TreeEnsembleModelParameters pour créer des fonctionnalités basées sur des arborescences.
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Créez FastTreeRegressionFeaturizationEstimator, qui utilise FastTreeRegressionTrainer pour effectuer l’apprentissage TreeEnsembleModelParameters pour créer des fonctionnalités basées sur des arborescences.
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Créez FastTreeTweedieFeaturizationEstimator, qui utilise FastTreeTweedieTrainer pour effectuer l’apprentissage TreeEnsembleModelParameters pour créer des fonctionnalités basées sur des arborescences.
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	Créez PretrainedTreeFeaturizationEstimator, qui produit des fonctionnalités basées sur des arborescences en fonction d’un TreeEnsembleModelParameters.