Bagikan melalui


TransformsCatalog Kelas

Definisi

Kelas yang digunakan oleh MLContext untuk membuat instans komponen transformasi.

public sealed class TransformsCatalog
type TransformsCatalog = class
Public NotInheritable Class TransformsCatalog
Warisan
TransformsCatalog

Properti

Categorical

Daftar operasi atas data kategoris.

Conversion

Daftar operasi untuk konversi jenis data.

FeatureSelection

Daftar operasi untuk memilih fitur berdasarkan beberapa kriteria.

Text

Daftar operasi untuk memproses data teks.

Metode Ekstensi

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)

Buat CustomMappingEstimator<TSrc,TDst>, yang menerapkan pemetaan kustom kolom input ke kolom output.

StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)

Buat StatefulCustomMappingEstimator<TSrc,TDst,TState>, yang menerapkan pemetaan kustom kolom input ke kolom output, sambil mengizinkan status per kursor.

CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)

Buat FeatureContributionCalculatingEstimator yang menghitung skor kontribusi khusus model untuk setiap fitur vektor input.

CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)

Buat FeatureContributionCalculatingEstimator yang menghitung skor kontribusi khusus model untuk setiap fitur vektor input. Mendukung model yang dikalibrasi.

Expression(TransformsCatalog, String, String, String[])

Membuat sebuah ExpressionEstimator.

IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])

Buat MissingValueIndicatorEstimator, yang menyalin data dari kolom yang ditentukan ke InputColumnName kolom baru: OutputColumnName.

IndicateMissingValues(TransformsCatalog, String, String)

Buat MissingValueIndicatorEstimator, yang memindai data dari kolom yang ditentukan di inputColumnName dan mengisi kolom baru yang ditentukan outputColumnName dengan vektor bool di mana bool i-th memiliki nilai true jika elemen i-th dalam data kolom memiliki nilai yang hilang dan false sebaliknya.

ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)

Buat ColumnCopyingEstimator, yang menyalin data dari kolom yang ditentukan ke InputColumnName kolom baru: OutputColumnName dan mengganti nilai yang hilang di dalamnya sesuai dengan replacementMode.

ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)

Buat MissingValueReplacingEstimator, yang menyalin data dari kolom yang ditentukan ke inputColumnName kolom baru: outputColumnName dan mengganti nilai yang hilang di dalamnya sesuai dengan replacementMode.

ConvertToGrayscale(TransformsCatalog, String, String)

Buat ImageGrayscalingEstimator, yang mengonversi gambar dalam kolom yang ditentukan menjadi InputColumnName gambar skala abu-abu di kolom baru: OutputColumnName.

ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)

Buat VectorToImageConvertingEstimator, yang membuat gambar dari data dari kolom yang ditentukan ke inputColumnName kolom baru: outputColumnName.

ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)

Buat ImagePixelExtractingEstimator, yang mengekstrak nilai piksel dari data yang ditentukan dalam kolom: inputColumnName ke kolom baru: outputColumnName.

LoadImages(TransformsCatalog, String, String, String)

Buat ImageLoadingEstimator, yang memuat data dari kolom yang ditentukan sebagai inputColumnName gambar ke kolom baru: outputColumnName.

LoadRawImageBytes(TransformsCatalog, String, String, String)

ImageLoadingEstimatorBuat , yang memuat data dari kolom yang ditentukan sebagai inputColumnName gambar byte mentah ke kolom baru: outputColumnName.

ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)

Buat ImageResizingEstimator, yang mengubah ukuran gambar dari kolom yang ditentukan ke inputColumnName kolom baru: outputColumnName.

ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)

ApproximatedKernelMappingEstimator Buat yang memetakan vektor input ke ruang fitur dimensi rendah di mana produk dalam mempertanyakan fungsi kernel shift-invariant.

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.

NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)

Buat NormalizingEstimator, yang menormalkan dengan menetapkan data ke dalam bin dengan kepadatan yang sama.

NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)

Buat NormalizingEstimator, yang menormalkan dengan menetapkan data ke dalam bin dengan kepadatan yang sama.

NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)

Buat GlobalContrastNormalizingEstimator, yang menormalkan kolom secara individual menerapkan normalisasi kontras global. Pengaturan ensureZeroMean ke true, akan menerapkan langkah pra-pemrosesan untuk membuat rata-rata kolom yang ditentukan menjadi vektor nol.

NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)

Buat NormalizingEstimator, yang menormalkan berdasarkan rata-rata komputasi dan varian logaritma data.

NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)

Buat NormalizingEstimator, yang menormalkan berdasarkan rata-rata komputasi dan varian logaritma data.

NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)

Buat NormalizingEstimator, yang menormalkan berdasarkan rata-rata komputasi dan varian logaritma data.

NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)

Buat NormalizingEstimator, yang menormalkan berdasarkan rata-rata komputasi dan varian logaritma data.

NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)

Buat LpNormNormalizingEstimator, yang menormalkan (menskalakan) vektor di kolom input ke norma unit. Jenis norma yang digunakan didefinisikan oleh norm. Mengatur ensureZeroMean ke true, akan menerapkan langkah pra-pemrosesan untuk membuat rata-rata kolom yang ditentukan menjadi vektor nol.

NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)

Buat NormalizingEstimator, yang menormalkan berdasarkan rata-rata komputasi dan varian data.

NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)

Buat NormalizingEstimator, yang menormalkan berdasarkan rata-rata komputasi dan varian data.

NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)

NormalizingEstimatorBuat , yang menormalkan berdasarkan nilai minimum dan maksimum data yang diamati.

NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)

NormalizingEstimatorBuat , yang menormalkan berdasarkan nilai minimum dan maksimum data yang diamati.

NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)

Buat NormalizingEstimator, yang menormalkan menggunakan statistik yang kuat untuk outlier dengan memusatkan data sekitar 0 (menghapus median) dan menskalakan data sesuai dengan rentang kuantil (default ke rentang interkurtile).

NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)

Buat NormalizingEstimator, yang menormalkan menggunakan statistik yang kuat untuk outlier dengan memusatkan data sekitar 0 (menghapus median) dan menskalakan data sesuai dengan rentang kuantil (default ke rentang interkurtile).

NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)

Buat NormalizingEstimator, yang menormalkan dengan menetapkan data ke dalam bin berdasarkan korelasi dengan labelColumnName kolom .

NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)

Buat NormalizingEstimator, yang menormalkan dengan menetapkan data ke dalam bin berdasarkan korelasi dengan labelColumnName kolom .

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

OnnxScoringEstimator Buat menggunakan yang ditentukanOnnxOptions. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke kolom input. Kolom input/output ditentukan berdasarkan kolom input/output dari model ONNX yang disediakan. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke kolom input. Kolom input/output ditentukan berdasarkan kolom input/output dari model ONNX yang disediakan. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnName kolom . Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnName kolom . Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnNames kolom. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnNames kolom. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

Buat OnnxScoringEstimator, yang menerapkan model Onnx yang telah dilatih sebelumnya ke inputColumnNames kolom. Silakan lihat OnnxScoringEstimator untuk mempelajari lebih lanjut tentang dependensi yang diperlukan, dan cara menjalankannya pada GPU.

DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)

Buat DnnImageFeaturizerEstimator, yang menerapkan salah satu model DNN yang telah dilatih DnnImageModelSelector sebelumnya untuk menampilkan gambar.

ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)

Menginisialisasi instans baru .PrincipalComponentAnalyzer

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)

Buat SrCnnAnomalyEstimator, yang mendeteksi anomali timeseries menggunakan algoritma SRCNN.

DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)

Buat SsaChangePointEstimator, yang memprediksi titik perubahan dalam rangkaian waktu menggunakan Analisis Spektrum Tunggal (SSA).

DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)
Kedaluwarsa.

Buat SsaChangePointEstimator, yang memprediksi titik perubahan dalam rangkaian waktu menggunakan Analisis Spektrum Tunggal (SSA).

DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)

Buat IidChangePointEstimator, yang memprediksi titik perubahan dalam rangkaian waktu independen yang didistribusikan secara identik (i.i.d.) berdasarkan estimasi kepadatan kernel adaptif dan skor martingale.

DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)
Kedaluwarsa.

Buat IidChangePointEstimator, yang memprediksi titik perubahan dalam rangkaian waktu independen yang didistribusikan secara identik (i.i.d.) berdasarkan estimasi kepadatan kernel adaptif dan skor martingale.

DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)

Buat IidSpikeEstimator, yang memprediksi lonjakan seri waktu independen yang didistribusikan secara identik (i.i.d.) berdasarkan estimasi kepadatan kernel adaptif dan skor martingale.

DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)
Kedaluwarsa.

Buat IidSpikeEstimator, yang memprediksi lonjakan seri waktu independen yang didistribusikan secara identik (i.i.d.) berdasarkan estimasi kepadatan kernel adaptif dan skor martingale.

DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)

Buat SsaSpikeEstimator, yang memprediksi lonjakan dalam rangkaian waktu menggunakan Analisis Spektrum Tunggal (SSA).

DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)
Kedaluwarsa.

Buat SsaSpikeEstimator, yang memprediksi lonjakan dalam rangkaian waktu menggunakan Analisis Spektrum Tunggal (SSA).

Concatenate(TransformsCatalog, String, String[])

Buat ColumnConcatenatingEstimator, yang menggabungkan satu atau beberapa kolom input ke dalam kolom output baru.

CopyColumns(TransformsCatalog, String, String)

Buat ColumnCopyingEstimator, yang menyalin data dari kolom yang ditentukan ke inputColumnName kolom baru: outputColumnName.

DropColumns(TransformsCatalog, String[])

Buat ColumnSelectingEstimator, yang menghilangkan daftar kolom tertentu dari IDataView. Kolom apa pun yang tidak ditentukan akan dipertahankan dalam output.

SelectColumns(TransformsCatalog, String[], Boolean)

Buat ColumnSelectingEstimator, yang menyimpan daftar kolom tertentu IDataView di dan menghilangkan yang lain.

SelectColumns(TransformsCatalog, String[])

Buat ColumnSelectingEstimator, yang menyimpan daftar kolom tertentu IDataView di dan menghilangkan yang lain.

FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)

Buat FastForestBinaryFeaturizationEstimator, yang menggunakan FastForestBinaryTrainer untuk melatih TreeEnsembleModelParameters untuk membuat fitur berbasis pohon.

FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)

Buat FastForestRegressionFeaturizationEstimator, yang menggunakan FastForestRegressionTrainer untuk melatih TreeEnsembleModelParameters untuk membuat fitur berbasis pohon.

FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)

Buat FastTreeBinaryFeaturizationEstimator, yang menggunakan FastTreeBinaryTrainer untuk melatih TreeEnsembleModelParameters untuk membuat fitur berbasis pohon.

FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)

Buat FastTreeRankingFeaturizationEstimator, yang menggunakan FastTreeRankingTrainer untuk melatih TreeEnsembleModelParameters untuk membuat fitur berbasis pohon.

FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)

Buat FastTreeRegressionFeaturizationEstimator, yang menggunakan FastTreeRegressionTrainer untuk melatih TreeEnsembleModelParameters untuk membuat fitur berbasis pohon.

FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)

Buat FastTreeTweedieFeaturizationEstimator, yang menggunakan FastTreeTweedieTrainer untuk melatih TreeEnsembleModelParameters untuk membuat fitur berbasis pohon.

FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)

Buat PretrainedTreeFeaturizationEstimator, yang menghasilkan fitur berbasis pohon yang TreeEnsembleModelParametersdiberi .

Berlaku untuk