Microsoft.ML.Trainers Spazio dei nomi

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Classi

AveragedLinearOptions	Classe arguments per i formatori lineari medi.
AveragedLinearTrainer<TTransformer,TModel>	Classe di base per i formatori lineari medi.
AveragedPerceptronTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria lineare sottoposto a training con la perceptron media.
AveragedPerceptronTrainer.Options	Opzioni per l'oggetto AveragedPerceptronTrainer utilizzato in AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).
CoefficientStatistics	Rappresenta un oggetto statistiche coefficiente contenente statistiche sui parametri del modello calcolato.
ComputeLogisticRegressionStandardDeviation	Calcola la matrice di deviazione standard di ognuno dei pesi di training non zero, necessari per calcolare ulteriormente la deviazione standard, il valore p e z-Score. Usare l'implementazione di questa classe nel pacchetto Microsoft.ML.Mkl.Components che usa intel Math Kernel Library. A causa dell'esistenza della regolarizzazione, viene usata un'approssimazione per calcolare le varianza dei coefficienti lineari sottoposti a training.
ComputeLRTrainingStdThroughMkl	Spazio dei nomi contenente trainer, parametri del modello e utilità.
ExpLoss	Perdita esponenziale, comunemente usata nelle attività di classificazione.
ExponentialLRDecay	Questa classe implementa il decadimento della frequenza di apprendimento esponenziale. Implementato dalla documentazione di tensorflow. Origine: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay i valori predefiniti e l'implementazione della frequenza di apprendimento provengono dai test del modello Tensorflow Slim. Origine: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	Supporto per il calcolo del contributo delle funzionalità.
FieldAwareFactorizationMachineModelParameters	Parametri del modello per FieldAwareFactorizationMachineTrainer.
FieldAwareFactorizationMachinePredictionTransformer	Spazio dei nomi contenente trainer, parametri del modello e utilità.
FieldAwareFactorizationMachineTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di macchina a fattorizzazione compatibile con il campo sottoposto a training usando un metodo sfumato stocastico.
FieldAwareFactorizationMachineTrainer.Options	FieldAwareFactorizationMachineTrainer.Options per FieldAwareFactorizationMachineTrainer come usato in FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).
HingeLoss	Perdita della cerniera, comunemente usata nelle attività di classificazione.
KMeansModelParameters	Spazio dei nomi contenente trainer, parametri del modello e utilità.
KMeansTrainer	Oggetto IEstimator<TTransformer> per il training di un clusterer KMeans
KMeansTrainer.Options	Opzioni per come KMeansTrainer usato in KMeansTrainer(Options).
LbfgsLogisticRegressionBinaryTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di regressione logistica lineare sottoposto a training con il metodo L-BFGS.
LbfgsLogisticRegressionBinaryTrainer.Options	Opzioni per l'oggetto LbfgsLogisticRegressionBinaryTrainer usato in LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
LbfgsMaximumEntropyMulticlassTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un classificatore multiclasse di entropia massimo sottoposto a training con il metodo L-BFGS.
LbfgsMaximumEntropyMulticlassTrainer.Options	LbfgsMaximumEntropyMulticlassTrainer.Options per LbfgsMaximumEntropyMulticlassTrainer come usato in LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).
LbfgsPoissonRegressionTrainer	Oggetto IEstimator<TTransformer> per il training di un modello di regressione di Poisson.
LbfgsPoissonRegressionTrainer.Options	Opzioni per come LbfgsPoissonRegressionTrainer usato in LbfgsPoissonRegression(Options).
LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Classe di opzioni di base per gli estimatori del formatore che derivano daLbfgsTrainerBase<TOptions,TTransformer,TModel> .
LbfgsTrainerBase<TOptions,TTransformer,TModel>	Classe di base per gli addestratori basati su L-BFGS.
LdSvmModelParameters	Spazio dei nomi contenente trainer, parametri del modello e utilità.
LdSvmTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria non lineare sottoposto a training con SVM deep locale.
LdSvmTrainer.Options	Spazio dei nomi contenente trainer, parametri del modello e utilità.
LearningRateScheduler	Questa classe astratta definisce un'utilità di pianificazione della frequenza di apprendimento.
LinearBinaryModelParameters	Classe dei parametri del modello per gli estimatori del formatore binario lineare.
LinearModelParameters	Classe di base per i parametri del modello lineare.
LinearModelParameterStatistics	Statistiche per i parametri del modello lineare.
LinearMulticlassModelParameters	Modello lineare di classificatori multiclasse. Restituisce punteggi non elaborati di tutti i modelli lineari e non viene fornito alcun output probabile.
LinearMulticlassModelParametersBase	Modello lineare comune di classificatori multiclasse. LinearMulticlassModelParameters contiene un singolo modello lineare per classe.
LinearRegressionModelParameters	Parametri del modello per la regressione lineare.
LinearSvmTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria lineare sottoposto a training con SVM lineare.
LinearSvmTrainer.Options	Opzioni per l'oggetto LinearSvmTrainer utilizzato in LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).
LinearTrainerBase<TTransformer,TModel>	Spazio dei nomi contenente trainer, parametri del modello e utilità.
LogLoss	Perdita del log, nota anche come perdita di entropia incrociata. Viene comunemente usato nelle attività di classificazione.
LsrDecay	Questa classe implementa la regola di ridimensionamento lineare e il decadimento LR. Implementazione adottata dal test benchmark RESNET-CIFAR in Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py
MaximumEntropyModelParameters	Modello di entropia lineare massimo di classificatori multiclasse. Restituisce le probabilità delle classi. Questo modello è noto anche come regressione logistica multinomiale. Per informazioni dettagliate, vedere https://en.wikipedia.org/wiki/Multinomial_logistic_regression .
MetaMulticlassTrainer<TTransformer,TModel>	Spazio dei nomi contenente trainer, parametri del modello e utilità.
ModelParametersBase<TOutput>	Classe di base generica per tutti i parametri del modello.
ModelStatisticsBase	Statistiche per i parametri del modello lineare.
NaiveBayesMulticlassModelParameters	Parametri del modello per NaiveBayesMulticlassTrainer.
NaiveBayesMulticlassTrainer	Oggetto IEstimator<TTransformer> per il training di un modello Naive Bayes multiclasse che supporta i valori delle funzionalità binarie.
OlsModelParameters	Parametri del modello per OlsTrainer.
OlsTrainer	Oggetto IEstimator<TTransformer> per il training di un modello di regressione lineare usando i minimi quadrati ordinari (OLS) per stimare i parametri del modello di regressione lineare.
OlsTrainer.Options	Opzioni per la OlsTrainer classe utilizzata in Ols(Options)
OneVersusAllModelParameters	Parametri del modello per OneVersusAllTrainer.
OneVersusAllTrainer	Oggetto IEstimator<TTransformer> per il training di un classificatore multiclasse unidimensionale che usa il classificatore binario specificato.
OnlineGradientDescentTrainer	Oggetto IEstimator<TTransformer> per il training di un modello di regressione lineare tramite OGD (Online Gradient Descent) per stimare i parametri del modello di regressione lineare.
OnlineGradientDescentTrainer.Options	Opzioni per l'oggetto OnlineGradientDescentTrainer utilizzato in OnlineGradientDescent(Options).
OnlineLinearOptions	Classe arguments per i formatori lineari online.
OnlineLinearTrainer<TTransformer,TModel>	Classe di base per i formatori lineari online. I trainer online possono essere aggiornati in modo incrementale con dati aggiuntivi.
PairwiseCouplingModelParameters	Parametri del modello per PairwiseCouplingTrainer.
PairwiseCouplingTrainer	Oggetto IEstimator<TTransformer> per il training di un classificatore multiclasse accoppiamento pairwise che usa il classificatore binario specificato.
PcaModelParameters	Parametri del modello per RandomizedPcaTrainer.
PoissonLoss	Funzione Poisson Loss per Poisson Regression.
PoissonRegressionModelParameters	Parametri del modello per Poisson Regression.
PolynomialLRDecay	Questa classe implementa il decadimento della frequenza di apprendimento polinomiale. Implementato dalla documentazione di tensorflow. Origine: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay i valori predefiniti e l'implementazione della frequenza di apprendimento provengono dai test del modello Tensorflow Slim. Origine: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
PriorModelParameters	Parametri del modello per PriorTrainer.
PriorTrainer	Oggetto IEstimator<TTransformer> per la stima di una destinazione usando un modello di classificazione binaria.
RandomizedPcaTrainer	Oggetto IEstimator<TTransformer> per il training di un PCA approssimativo usando l'algoritmo SVD casuale.
RandomizedPcaTrainer.Options	Opzioni per l'oggetto RandomizedPcaTrainer usato in RandomizedPca(Options).
RegressionModelParameters	Parametri del modello per la regressione.
SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase	Opzioni per SdcaBinaryTrainerBase<TModelParameters>.
SdcaBinaryTrainerBase<TModelParameters>	SDCA è un algoritmo di training generale per modelli lineari (generalizzati), ad esempio la macchina a vettori di supporto, la regressione lineare, la regressione logistica e così via. La famiglia di trainer di classificazione binaria SDCA include diversi membri sealed: (1) SdcaNonCalibratedBinaryTrainer supporta funzioni di perdita generali e restituisce LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer esegue essenzialmente il training di un modello di regressione logistica regolarizzata. Poiché la regressione logistica fornisce naturalmente l'output di probabilità, il tipo del modello generato è CalibratedModelParametersBase<TSubModel,TCalibrator>. dove TSubModel è LinearBinaryModelParameters e TCalibrator è PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer	Oggetto IEstimator<TTransformer> per il training di un modello di classificazione di regressione logistica binaria usando il metodo di salita a doppia coordinata stocastica. Il modello sottoposto a training viene calibrato e può produrre probabilità inserendo il valore di output della funzione lineare a un oggetto PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer.Options	Opzioni per l'oggetto SdcaLogisticRegressionBinaryTrainer usato in SdcaLogisticRegression(Options).
SdcaMaximumEntropyMulticlassTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un classificatore multiclasse di entropia massima. Il modello MaximumEntropyModelParameters sottoposto a training produce probabilità di classi.
SdcaMaximumEntropyMulticlassTrainer.Options	SdcaMaximumEntropyMulticlassTrainer.Options per SdcaMaximumEntropyMulticlassTrainer come usato in SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
SdcaMulticlassTrainerBase<TModel>.MulticlassOptions	Opzioni per .SdcaMulticlassTrainerBase<TModel>
SdcaMulticlassTrainerBase<TModel>	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificatore multiclasse lineare sottoposto a training con un metodo di discesa delle coordinate. A seconda della funzione di perdita usata, il modello sottoposto a training può essere, ad esempio, il classificatore di entropia massimo o la macchina a vettori di supporto multiclasse.
SdcaNonCalibratedBinaryTrainer	Oggetto IEstimator<TTransformer> per il training di un modello di classificazione di regressione logistica binaria usando il metodo di salita a doppia coordinata stocastica.
SdcaNonCalibratedBinaryTrainer.Options	Opzioni per .SdcaNonCalibratedBinaryTrainer
SdcaNonCalibratedMulticlassTrainer	OggettoIEstimator<TTransformer> per stimare una destinazione usando un classificatore multiclasse lineare. Il modello LinearMulticlassModelParameters sottoposto a training produce probabilità di classi.
SdcaNonCalibratedMulticlassTrainer.Options	SdcaNonCalibratedMulticlassTrainer.Options per SdcaNonCalibratedMulticlassTrainer come usato in SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).
SdcaRegressionTrainer	Oggetto IEstimator<TTransformer> per il training di un modello di regressione usando il metodo ascente a doppia coordinata stocastica.
SdcaRegressionTrainer.Options	Opzioni per .SdcaRegressionTrainer
SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Opzioni per i trainer basati su SDCA.
SdcaTrainerBase<TOptions,TTransformer,TModel>	Spazio dei nomi contenente trainer, parametri del modello e utilità.
SgdBinaryTrainerBase<TModel>.OptionsBase	Spazio dei nomi contenente trainer, parametri del modello e utilità.
SgdBinaryTrainerBase<TModel>	Spazio dei nomi contenente trainer, parametri del modello e utilità.
SgdCalibratedTrainer	Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo. Il modello sottoposto a training viene calibrato e può produrre probabilità inserendo il valore di output della funzione lineare a un oggetto PlattCalibrator.
SgdCalibratedTrainer.Options	Opzioni per l'oggetto SgdCalibratedTrainer usato in SgdCalibrated(Options).
SgdNonCalibratedTrainer	Oggetto IEstimator<TTransformer> per il training della regressione logistica usando un metodo sfumato stocastico parallelo.
SgdNonCalibratedTrainer.Options	Opzioni per l'oggetto SgdNonCalibratedTrainer usato in SgdNonCalibrated(Options).
SmoothedHingeLoss	Versione uniforme della HingeLoss funzione, comunemente usata nelle attività di classificazione.
SquaredLoss	Perdita quadrata, comunemente usata nelle attività di regressione.
StochasticTrainerBase<TTransformer,TModel>	Spazio dei nomi contenente trainer, parametri del modello e utilità.
SymbolicSgdLogisticRegressionBinaryTrainer	Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria lineare sottoposto a training con la discesa simbolica del gradiente stocastico.
SymbolicSgdLogisticRegressionBinaryTrainer.Options	Opzioni per l'oggetto SymbolicSgdLogisticRegressionBinaryTrainer utilizzato in SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).
TrainerEstimatorBase<TTransformer,TModel>	Rappresenta una classe di base per "semplice formatore". Un 'trainer semplice' accetta una colonna di funzionalità e una colonna etichetta, anche facoltativamente una colonna di spessore. Produce un "trasformatore di stima".
TrainerEstimatorBaseWithGroupId<TTransformer,TModel>	Rappresenta una classe di base per "semplice formatore". Un 'trainer semplice' accetta una colonna di funzionalità e una colonna etichetta, anche facoltativamente una colonna di spessore. Produce un "trasformatore di stima".
TrainerInputBase	Classe di base per tutti gli input del formatore.
TrainerInputBaseWithGroupId	Classe di base per tutti gli input del formatore che supportano una colonna di gruppo.
TrainerInputBaseWithLabel	Classe di base per tutti gli input del formatore che supportano una colonna Label.
TrainerInputBaseWithWeight	Classe di base per tutti gli input del formatore che supportano una colonna weight.
TweedieLoss	Perdita tweedie, in base alla probabilità di log della distribuzione Tweedie. Questa funzione di perdita viene usata nella regressione tweedie.
UnsupervisedTrainerInputBaseWithWeight	Classe di base per tutti gli input del formatore non supervisionati che supportano una colonna di peso.

Struct

LsrDecay.LearningRateSchedulerItem

Questa struttura rappresenta un tipo di elemento dell'utilità di pianificazione della frequenza di apprendimento

Interfacce

ICalculateFeatureContribution	Consente il supporto per il calcolo del contributo delle funzionalità in base ai parametri del modello.
IClassificationLoss	Spazio dei nomi contenente trainer, parametri del modello e utilità.
ILossFunction<TOutput,TLabel>	Spazio dei nomi contenente trainer, parametri del modello e utilità.
IRegressionLoss	Spazio dei nomi contenente trainer, parametri del modello e utilità.
IScalarLoss	Spazio dei nomi contenente trainer, parametri del modello e utilità.
ISupportSdcaClassificationLoss	Spazio dei nomi contenente trainer, parametri del modello e utilità.
ISupportSdcaLoss	La funzione di perdita può conoscere la soluzione close-form per l'aggiornamento duale ottimale Ref: Sec(6.2) di http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf
ISupportSdcaRegressionLoss	Spazio dei nomi contenente trainer, parametri del modello e utilità.
ITrainerEstimator<TTransformer,TModel>	Interfaccia per l'analizzatore di training.

Enumerazioni

KMeansTrainer.InitializationAlgorithm

Spazio dei nomi contenente trainer, parametri del modello e utilità.