MklComponentsCatalog Kelas

Definisi

Ruang nama:

Microsoft.ML

Rakitan:

Microsoft.ML.Mkl.Components.dll

Paket:

Microsoft.ML.Mkl.Components v2.0.0

Kumpulan metode ekstensi untuk RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainers, dan TransformsCatalog untuk membuat pelatih MKL (Pustaka Kernel Matematika) dan mengubah komponen.

public static class MklComponentsCatalog

type MklComponentsCatalog = class

Public Module MklComponentsCatalog

Warisan

Object

MklComponentsCatalog

Metode

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)	Buat OlsTrainer dengan opsi tingkat lanjut, yang memprediksi target menggunakan model regresi linier.
Ols(RegressionCatalog+RegressionTrainers, String, String, String)	Buat OlsTrainer, yang memprediksi target menggunakan model regresi linier.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Buat SymbolicSgdLogisticRegressionBinaryTrainer, yang memprediksi target menggunakan model klasifikasi biner linier yang dilatih melalui data label boolean. Penurunan gradien stochastic (SGD) adalah algoritma berulang yang mengoptimalkan fungsi tujuan yang dapat dibedakan. Paralelisasi SymbolicSgdLogisticRegressionBinaryTrainer SGD menggunakan eksekusi simbolis.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Buat SymbolicSgdLogisticRegressionBinaryTrainer dengan opsi tingkat lanjut, yang memprediksi target menggunakan model klasifikasi biner linier yang dilatih melalui data label boolean. Penurunan gradien stochastic (SGD) adalah algoritma berulang yang mengoptimalkan fungsi tujuan yang dapat dibedakan. Paralelisasi SymbolicSgdLogisticRegressionBinaryTrainer SGD menggunakan eksekusi simbolis.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Mengambil kolom yang diisi dengan vektor variabel acak dengan matriks kovarian yang diketahui ke dalam satu set variabel baru yang kovariansnya adalah matriks identitas, yang berarti bahwa variabel tersebut tidak terkait dan masing-masing memiliki varians 1.