Condividi tramite


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

MatrixFactorizationTrainer

Oggetto IEstimator<TTransformer> per stimare gli elementi in una matrice usando la fattorizzazione della matrice (noto anche come tipo di filtro collaborativo).

MatrixFactorizationTrainer.Options

Opzioni per l'oggetto MatrixFactorizationTrainer usato in MatrixFactorization(Options).

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.

MatrixFactorizationTrainer.LossFunctionType

Tipo di funzione di perdita.