Microsoft.ML.Trainers Ruang nama
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
Namespace yang berisi pelatih, parameter model, dan utilitas.
Kelas
| AveragedLinearOptions |
Kelas argumen untuk pelatih linier rata-rata. |
| AveragedLinearTrainer<TTransformer,TModel> |
Kelas dasar untuk pelatih linier rata-rata. |
| AveragedPerceptronTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner linier yang dilatih dengan perceptron rata-rata. |
| AveragedPerceptronTrainer.Options |
Opsi untuk seperti yang AveragedPerceptronTrainer digunakan dalam AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options). |
| CoefficientStatistics |
Mewakili objek statistik koefisien yang berisi statistik tentang parameter model terhitung. |
| ComputeLogisticRegressionStandardDeviation |
Menghitung matriks deviasi standar dari masing-masing bobot pelatihan bukan nol, yang diperlukan untuk menghitung lebih lanjut deviasi standar, nilai p, dan z-Score. Gunakan implementasi kelas ini dalam paket Microsoft.ML.Mkl.Components yang menggunakan Intel Math Kernel Library. Karena adanya regularisasi, perkiraan digunakan untuk menghitung varian koefisien linier terlatih. |
| ComputeLRTrainingStdThroughMkl |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| ExpLoss |
Kerugian Eksponensial, umumnya digunakan dalam tugas klasifikasi. |
| ExponentialLRDecay |
Kelas ini mengimplementasikan pembusukan tingkat Pembelajaran Eksponensial. Diimplementasikan dari dokumentasi tensorflow. Sumber: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Nilai default dan implementasi tingkat pembelajaran berasal dari pengujian model Tensorflow Slim. Sumber : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py |
| FeatureContributionCalculator |
Dukungan untuk perhitungan kontribusi fitur. |
| FieldAwareFactorizationMachineModelParameters |
Parameter model untuk FieldAwareFactorizationMachineTrainer. |
| FieldAwareFactorizationMachinePredictionTransformer |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| FieldAwareFactorizationMachineTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model mesin faktorisasi sadar bidang yang dilatih menggunakan metode gradien stochastic. |
| FieldAwareFactorizationMachineTrainer.Options |
FieldAwareFactorizationMachineTrainer.Options untuk FieldAwareFactorizationMachineTrainer seperti yang digunakan dalam FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options). |
| HingeLoss |
Engsel Loss, umumnya digunakan dalam tugas klasifikasi. |
| KMeansModelParameters |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| KMeansTrainer |
IEstimator<TTransformer> untuk melatih pengkluster KMeans |
| KMeansTrainer.Options |
Opsi untuk seperti yang KMeansTrainer digunakan dalam KMeansTrainer(Options). |
| LbfgsLogisticRegressionBinaryTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model regresi logistik linier yang dilatih dengan metode L-BFGS. |
| LbfgsLogisticRegressionBinaryTrainer.Options |
Opsi untuk LbfgsLogisticRegressionBinaryTrainer yang digunakan dalam LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options) |
| LbfgsMaximumEntropyMulticlassTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan pengklasifikasi multikelas entropi maksimum yang dilatih dengan metode L-BFGS. |
| LbfgsMaximumEntropyMulticlassTrainer.Options |
LbfgsMaximumEntropyMulticlassTrainer.Options untuk LbfgsMaximumEntropyMulticlassTrainer seperti yang digunakan dalam LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options). |
| LbfgsPoissonRegressionTrainer |
IEstimator<TTransformer> untuk melatih model regresi Poisson. |
| LbfgsPoissonRegressionTrainer.Options |
Opsi untuk seperti yang LbfgsPoissonRegressionTrainer digunakan dalam LbfgsPoissonRegression(Options). |
| LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase |
Kelas opsi dasar untuk estimator pelatih yang berasal dariLbfgsTrainerBase<TOptions,TTransformer,TModel>. |
| LbfgsTrainerBase<TOptions,TTransformer,TModel> |
Kelas dasar untuk pelatih berbasis L-BFGS. |
| LdSvmModelParameters |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| LdSvmTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner non-linier yang dilatih dengan Local Deep SVM. |
| LdSvmTrainer.Options |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| LearningRateScheduler |
Kelas abstrak ini mendefinisikan penjadwal tingkat pembelajaran. |
| LinearBinaryModelParameters |
Kelas parameter model untuk estimator pelatih biner linier. |
| LinearModelParameters |
Kelas dasar untuk parameter model linier. |
| LinearModelParameterStatistics |
Statistik untuk parameter model linier. |
| LinearMulticlassModelParameters |
Model linier pengklasifikasi multikelas. Ini menghasilkan skor mentah dari semua model liniernya, dan tidak ada output probablistik yang disediakan. |
| LinearMulticlassModelParametersBase |
Model linier umum pengklasifikasi multikelas. LinearMulticlassModelParameters berisi model linier tunggal per kelas. |
| LinearRegressionModelParameters |
Parameter model untuk regresi linier. |
| LinearSvmTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner linier yang dilatih dengan SVM Linear. |
| LinearSvmTrainer.Options |
Opsi untuk seperti yang LinearSvmTrainer digunakan dalam LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options). |
| LinearTrainerBase<TTransformer,TModel> |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| LogLoss |
Log Loss, juga dikenal sebagai Cross Entropy Loss. Ini umumnya digunakan dalam tugas klasifikasi. |
| LsrDecay |
Kelas ini menerapkan aturan penskalaan linier dan pembuangan LR. Implementasi yang diadopsi dari uji tolok ukur RESNET-CIFAR di Tensorflow yang ramping. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py |
| MatrixFactorizationTrainer |
IEstimator<TTransformer> untuk memprediksi elemen dalam matriks menggunakan faktorisasi matriks (juga dikenal sebagai jenis pemfilteran kolaboratif). |
| MatrixFactorizationTrainer.Options |
Opsi untuk seperti yang MatrixFactorizationTrainer digunakan dalam MatrixFactorization(Options). |
| MaximumEntropyModelParameters |
Model entropi maksimum linier pengklasifikasi multikelas. Ini menghasilkan probabilitas kelas. Model ini juga dikenal sebagai regresi logistik multinomial. Silakan lihat https://en.wikipedia.org/wiki/Multinomial_logistic_regression untuk detailnya. |
| MetaMulticlassTrainer<TTransformer,TModel> |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| ModelParametersBase<TOutput> |
Kelas dasar generik untuk semua parameter model. |
| ModelStatisticsBase |
Statistik untuk parameter model linier. |
| NaiveBayesMulticlassModelParameters |
Parameter model untuk NaiveBayesMulticlassTrainer. |
| NaiveBayesMulticlassTrainer |
IEstimator<TTransformer> untuk melatih model Naive Bayes multikelas yang mendukung nilai fitur biner. |
| OlsModelParameters |
Parameter model untuk OlsTrainer. |
| OlsTrainer |
IEstimator<TTransformer> untuk melatih model regresi linier menggunakan kuadrat terkecil biasa (OLS) untuk memperkirakan parameter model regresi linier. |
| OlsTrainer.Options |
Opsi untuk seperti yang OlsTrainer digunakan dalam Ols(Options) |
| OneVersusAllModelParameters |
Parameter model untuk OneVersusAllTrainer. |
| OneVersusAllTrainer |
IEstimator<TTransformer> untuk melatih pengklasifikasi multi-kelas satu-versus-semua yang menggunakan pengklasifikasi biner yang ditentukan. |
| OnlineGradientDescentTrainer |
IEstimator<TTransformer> untuk melatih model regresi linier menggunakan Online Gradient Descent (OGD) untuk memperkirakan parameter model regresi linier. |
| OnlineGradientDescentTrainer.Options |
Opsi untuk seperti yang OnlineGradientDescentTrainer digunakan dalam OnlineGradientDescent(Options). |
| OnlineLinearOptions |
Kelas argumen untuk pelatih linier online. |
| OnlineLinearTrainer<TTransformer,TModel> |
Kelas dasar untuk pelatih linier online. Pelatih online dapat diperbarui secara bertahap dengan data tambahan. |
| PairwiseCouplingModelParameters |
Parameter model untuk PairwiseCouplingTrainer. |
| PairwiseCouplingTrainer |
IEstimator<TTransformer> untuk melatih pengklasifikasi multi-kelas coupling berpasangan yang menggunakan pengklasifikasi biner yang ditentukan. |
| PcaModelParameters |
Parameter model untuk RandomizedPcaTrainer. |
| PoissonLoss |
Fungsi Poisson Loss untuk Poisson Regression. |
| PoissonRegressionModelParameters |
Parameter model untuk Regresi Poisson. |
| PolynomialLRDecay |
Kelas ini mengimplementasikan pembusukan tingkat Pembelajaran polinomial. Diimplementasikan dari dokumentasi tensorflow. Sumber: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Nilai default dan implementasi tingkat pembelajaran berasal dari pengujian model Tensorflow Slim. Sumber : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py |
| PriorModelParameters |
Parameter model untuk PriorTrainer. |
| PriorTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner. |
| RandomizedPcaTrainer |
IEstimator<TTransformer> untuk melatih perkiraan PCA menggunakan algoritma SVD Acak. |
| RandomizedPcaTrainer.Options |
Opsi untuk seperti yang RandomizedPcaTrainer digunakan dalam RandomizedPca(Options). |
| RegressionModelParameters |
Parameter model untuk regresi. |
| SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase |
Opsi untuk SdcaBinaryTrainerBase<TModelParameters>. |
| SdcaBinaryTrainerBase<TModelParameters> |
SDCA adalah algoritma pelatihan umum untuk model linier (umum) seperti mesin vektor pendukung, regresi linier, regresi logistik, dan sebagainya. Keluarga pelatih klasifikasi biner SDCA mencakup beberapa anggota yang disegel: (1) SdcaNonCalibratedBinaryTrainer mendukung fungsi kerugian umum dan mengembalikan LinearBinaryModelParameters.
(2) SdcaLogisticRegressionBinaryTrainer pada dasarnya melatih model regresi logistik reguler. Karena regresi logistik secara alami memberikan output probabilitas, jenis model yang dihasilkan ini adalah CalibratedModelParametersBase<TSubModel,TCalibrator>.
di mana |
| SdcaLogisticRegressionBinaryTrainer |
IEstimator<TTransformer> untuk melatih model klasifikasi regresi logistik biner menggunakan metode ascent koordinat ganda stochastic. Model terlatih dikalibrasi dan dapat menghasilkan probabilitas dengan memberi umpan nilai output fungsi linier ke PlattCalibrator. |
| SdcaLogisticRegressionBinaryTrainer.Options |
Opsi untuk seperti yang SdcaLogisticRegressionBinaryTrainer digunakan dalam SdcaLogisticRegression(Options). |
| SdcaMaximumEntropyMulticlassTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan pengklasifikasi multikelas entropi maksimum. Model terlatih MaximumEntropyModelParameters menghasilkan probabilitas kelas. |
| SdcaMaximumEntropyMulticlassTrainer.Options |
SdcaMaximumEntropyMulticlassTrainer.Options untuk SdcaMaximumEntropyMulticlassTrainer seperti yang digunakan dalam SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>) |
| SdcaMulticlassTrainerBase<TModel>.MulticlassOptions |
Opsi untuk SdcaMulticlassTrainerBase<TModel>. |
| SdcaMulticlassTrainerBase<TModel> |
IEstimator<TTransformer> untuk memprediksi target menggunakan model pengklasifikasi multikelas linier yang dilatih dengan metode turunan koordinat. Tergantung pada fungsi kerugian yang digunakan, model terlatih dapat, misalnya, pengklasifikasi entropi maksimum atau mesin vektor dukungan multi-kelas. |
| SdcaNonCalibratedBinaryTrainer |
IEstimator<TTransformer> untuk melatih model klasifikasi regresi logistik biner menggunakan metode ascent koordinat ganda stochastic. |
| SdcaNonCalibratedBinaryTrainer.Options |
Opsi untuk SdcaNonCalibratedBinaryTrainer. |
| SdcaNonCalibratedMulticlassTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan pengklasifikasi multikelas linier. Model LinearMulticlassModelParameters terlatih menghasilkan probabilitas kelas. |
| SdcaNonCalibratedMulticlassTrainer.Options |
SdcaNonCalibratedMulticlassTrainer.Options untuk SdcaNonCalibratedMulticlassTrainer seperti yang digunakan dalam SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>). |
| SdcaRegressionTrainer |
IEstimator<TTransformer> untuk melatih model regresi menggunakan metode ascent koordinat ganda stochastic. |
| SdcaRegressionTrainer.Options |
Opsi untuk SdcaRegressionTrainer. |
| SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase |
Opsi untuk pelatih berbasis SDCA. |
| SdcaTrainerBase<TOptions,TTransformer,TModel> |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| SgdBinaryTrainerBase<TModel>.OptionsBase |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| SgdBinaryTrainerBase<TModel> |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| SgdCalibratedTrainer |
IEstimator<TTransformer> untuk melatih regresi logistik menggunakan metode gradien stochastic paralel. Model terlatih dikalibrasi dan dapat menghasilkan probabilitas dengan memberi makan nilai output fungsi linier ke PlattCalibrator. |
| SgdCalibratedTrainer.Options |
Opsi untuk seperti yang SgdCalibratedTrainer digunakan dalam SgdCalibrated(Options). |
| SgdNonCalibratedTrainer |
IEstimator<TTransformer> untuk melatih regresi logistik menggunakan metode gradien stochastic paralel. |
| SgdNonCalibratedTrainer.Options |
Opsi untuk seperti yang SgdNonCalibratedTrainer digunakan dalam SgdNonCalibrated(Options). |
| SmoothedHingeLoss |
Versi fungsi yang HingeLoss lancar, umumnya digunakan dalam tugas klasifikasi. |
| SquaredLoss |
Kerugian Kuadrat, umumnya digunakan dalam tugas regresi. |
| StochasticTrainerBase<TTransformer,TModel> |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| SymbolicSgdLogisticRegressionBinaryTrainer |
IEstimator<TTransformer> untuk memprediksi target menggunakan model klasifikasi biner linier yang dilatih dengan penurunan gradien stochastic simbolis. |
| SymbolicSgdLogisticRegressionBinaryTrainer.Options |
Opsi untuk seperti yang SymbolicSgdLogisticRegressionBinaryTrainer digunakan dalam SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options). |
| TrainerEstimatorBase<TTransformer,TModel> |
Ini mewakili kelas dasar untuk 'pelatih sederhana'. 'Pelatih sederhana' menerima satu kolom fitur dan satu kolom label, juga secara opsional kolom bobot. Ini menghasilkan 'transformator prediksi'. |
| TrainerEstimatorBaseWithGroupId<TTransformer,TModel> |
Ini mewakili kelas dasar untuk 'pelatih sederhana'. 'Pelatih sederhana' menerima satu kolom fitur dan satu kolom label, juga secara opsional kolom bobot. Ini menghasilkan 'transformator prediksi'. |
| TrainerInputBase |
Kelas dasar untuk semua input pelatih. |
| TrainerInputBaseWithGroupId |
Kelas dasar untuk semua input pelatih yang mendukung kolom grup. |
| TrainerInputBaseWithLabel |
Kelas dasar untuk semua input pelatih yang mendukung kolom Label. |
| TrainerInputBaseWithWeight |
Kelas dasar untuk semua input pelatih yang mendukung kolom bobot. |
| TweedieLoss |
Kehilangan tweedie, berdasarkan kemungkinan log distribusi Tweedie. Fungsi kerugian ini digunakan dalam regresi Tweedie. |
| UnsupervisedTrainerInputBaseWithWeight |
Kelas dasar untuk semua input pelatih yang tidak diawasi yang mendukung kolom bobot. |
Struct
| LsrDecay.LearningRateSchedulerItem |
Struktur ini mewakili jenis item penjadwal tingkat pembelajaran |
Antarmuka
| ICalculateFeatureContribution |
Memungkinkan dukungan untuk perhitungan kontribusi fitur berdasarkan parameter model. |
| IClassificationLoss |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| ILossFunction<TOutput,TLabel> |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| IRegressionLoss |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| IScalarLoss |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| ISupportSdcaClassificationLoss |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| ISupportSdcaLoss |
Fungsi kerugian mungkin mengetahui solusi bentuk dekat untuk pembaruan ganda optimal Ref: Sec(6.2) dari http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf |
| ISupportSdcaRegressionLoss |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| ITrainerEstimator<TTransformer,TModel> |
Antarmuka untuk Trainer Estimator. |
Enum
| KMeansTrainer.InitializationAlgorithm |
Namespace yang berisi pelatih, parameter model, dan utilitas. |
| MatrixFactorizationTrainer.LossFunctionType |
Jenis fungsi kerugian. |
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk