TransformsCatalog Classe

Definizione

Spazio dei nomi:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Pacchetto:

Microsoft.ML v2.0.0

Classe usata da MLContext per creare istanze di componenti di trasformazione.

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

Ereditarietà

Object

TransformsCatalog

Proprietà

Categorical	Elenco delle operazioni sui dati categorici.
Conversion	Elenco delle operazioni per la conversione del tipo di dati.
FeatureSelection	Elenco delle operazioni per la selezione delle funzionalità in base a alcuni criteri.
Text	Elenco di operazioni per l'elaborazione dei dati di testo.

Metodi di estensione

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	Creare un CustomMappingEstimator<TSrc,TDst>oggetto , che applica un mapping personalizzato delle colonne di input alle colonne di output.
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	Creare un StatefulCustomMappingEstimator<TSrc,TDst,TState>oggetto , che applica un mapping personalizzato delle colonne di input alle colonne di output, consentendo uno stato per cursore.
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	Creare un oggetto FeatureContributionCalculatingEstimator che calcola i punteggi di contributo specifici del modello per ogni funzionalità del vettore di input.
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	Creare un oggetto FeatureContributionCalculatingEstimator che calcola i punteggi di contributo specifici del modello per ogni funzionalità del vettore di input. Supporta modelli calibrati.
Expression(TransformsCatalog, String, String, String[])	Crea un oggetto ExpressionEstimator.
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	Creare un MissingValueIndicatorEstimatoroggetto , che copia i dati dalla colonna specificata in InputColumnName in una nuova colonna: OutputColumnName.
IndicateMissingValues(TransformsCatalog, String, String)	Creare un MissingValueIndicatorEstimatoroggetto , che analizza i dati dalla colonna specificata in inputColumnName e riempie la nuova colonna specificata in con il vettore di bools in outputColumnName cui i-th bool ha valore true se l'elemento i-th nei dati di colonna non ha valore mancante e false in caso contrario.
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	Creare un ColumnCopyingEstimatoroggetto , che copia i dati dalla colonna specificata in InputColumnName una nuova colonna: OutputColumnName e sostituisce i valori mancanti in base a replacementMode.
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	Creare un MissingValueReplacingEstimatoroggetto , che copia i dati dalla colonna specificata in inputColumnName una nuova colonna: outputColumnName e sostituisce i valori mancanti in base a replacementMode.
ConvertToGrayscale(TransformsCatalog, String, String)	Creare un ImageGrayscalingEstimatoroggetto , che converte le immagini nella colonna specificata in immagini in scala di grigio in InputColumnName una nuova colonna: OutputColumnName.
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	Creare un VectorToImageConvertingEstimatoroggetto , che crea un'immagine dai dati della colonna specificata in inputColumnName a una nuova colonna: outputColumnName.
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	Creare un ImagePixelExtractingEstimatoroggetto , che estrae i valori di pixel dai dati specificati nella colonna: a una nuova colonna: inputColumnNameoutputColumnName.
LoadImages(TransformsCatalog, String, String, String)	Creare un ImageLoadingEstimatoroggetto , che carica i dati dalla colonna specificata in inputColumnName come immagine in una nuova colonna: outputColumnName.
LoadRawImageBytes(TransformsCatalog, String, String, String)	Creare un ImageLoadingEstimatoroggetto , che carica i dati dalla colonna specificata in inputColumnName come immagine di byte non elaborati in una nuova colonna: outputColumnName.
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	Creare un ImageResizingEstimatoroggetto , che ridimensiona l'immagine dalla colonna specificata in inputColumnName a una nuova colonna: outputColumnName.
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	Creare un oggetto ApproximatedKernelMappingEstimator che esegue il mapping dei vettori di input a uno spazio di funzionalità a bassa dimensione in cui i prodotti interni approssimano una funzione kernel maiuscole-invariante.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Accetta la colonna riempita con un vettore di variabili casuali con una matrice covarianza nota in un set di nuove variabili la cui covarianza è la matrice di identità, ovvero che non sono correlate e ognuna ha varianza 1.
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	Creare un NormalizingEstimatoroggetto , che normalizza assegnando i dati in contenitori con densità uguale.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	Creare un NormalizingEstimatoroggetto , che normalizza assegnando i dati in contenitori con densità uguale.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Creare un GlobalContrastNormalizingEstimatoroggetto , che normalizza le colonne singolarmente applicando la normalizzazione del contrasto globale. L'impostazione ensureZeroMean su true, applicherà un passaggio di pre-elaborazione per fare in modo che la colonna specificata sia il vettore zero.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base alla media calcolata e alla varianza del logaritmo dei dati.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base alla media calcolata e alla varianza del logaritmo dei dati.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base alla media calcolata e alla varianza del logaritmo dei dati.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base alla media calcolata e alla varianza del logaritmo dei dati.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	Creare un LpNormNormalizingEstimatoroggetto , che normalizza i vettori (scale) nella colonna di input alla norma unità. Il tipo di norma utilizzato è definito da norm. L'impostazione ensureZeroMean su true, applicherà un passaggio di pre-elaborazione per fare in modo che la colonna specificata sia un vettore zero.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base alla media calcolata e alla varianza dei dati.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base alla media calcolata e alla varianza dei dati.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base ai valori minimi e massimi osservati dei dati.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	Creare un NormalizingEstimatoroggetto , che normalizza in base ai valori minimi e massimi osservati dei dati.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	Creare un NormalizingEstimatoroggetto , che normalizza l'uso di statistiche affidabili per i outlier centrando i dati intorno a 0 (rimuovendo il mediano) e ridimensiona i dati in base all'intervallo quantile (impostazione predefinita all'intervallo interquartile).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	Creare un NormalizingEstimatoroggetto , che normalizza l'uso di statistiche affidabili per i outlier centrando i dati intorno a 0 (rimuovendo il mediano) e ridimensiona i dati in base all'intervallo quantile (impostazione predefinita all'intervallo interquartile).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	Creare un NormalizingEstimatoroggetto , che normalizza assegnando i dati in contenitori in base alla correlazione con la labelColumnName colonna.
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	Creare un NormalizingEstimatoroggetto , che normalizza assegnando i dati in contenitori in base alla correlazione con la labelColumnName colonna.
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	Creare un OnnxScoringEstimator oggetto usando l'oggetto specificato OnnxOptions. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla colonna di input. Le colonne di input/output vengono determinate in base alle colonne di input/output del modello ONNX fornito. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla colonna di input. Le colonne di input/output vengono determinate in base alle colonne di input/output del modello ONNX fornito. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla inputColumnName colonna. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	Creare un oggetto , che applica un OnnxScoringEstimatormodello Onnx pre-sottoposto a training alla inputColumnName colonna. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	Creare un OnnxScoringEstimatoroggetto , che applica un modello Onnx pre-sottoposto a training alle inputColumnNames colonne. OnnxScoringEstimator Vedere altre informazioni sulle dipendenze necessarie e su come eseguirla in una GPU.
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Creare DnnImageFeaturizerEstimator, che applica uno dei modelli DNN pre-sottoposti a training per DnnImageModelSelector la funzionalità di un'immagine.
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	Inizializza una nuova istanza di PrincipalComponentAnalyzer.
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Creare SrCnnAnomalyEstimator, che rileva le anomalie dei tempi usando l'algoritmo SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Creare SsaChangePointEstimator, che stima i punti di modifica nelle serie temporali usando l'analisi di spettro singolare (SSA).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Obsoleti. Creare SsaChangePointEstimator, che stima i punti di modifica nelle serie temporali usando l'analisi di spettro singolare (SSA).
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Creare IidChangePointEstimator, che stima i punti di modifica in una serie temporale indipendentemente distribuita (i.i.d.) in base alle stime della densità del kernel adattivo e ai punteggi martingale.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Obsoleti. Creare IidChangePointEstimator, che stima i punti di modifica in una serie temporale indipendentemente distribuita (i.i.d.) in base alle stime della densità del kernel adattivo e ai punteggi martingale.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Creare IidSpikeEstimator, che stima picchi in serie temporali distribuite in modo indipendente (i.i.d.) in base alle stime della densità del kernel adattivo e ai punteggi martingale.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Obsoleti. Creare IidSpikeEstimator, che stima picchi in serie temporali distribuite in modo indipendente (i.i.d.) in base alle stime della densità del kernel adattivo e ai punteggi martingale.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Creare SsaSpikeEstimator, che stima i picchi nelle serie temporali usando l'analisi di spettro singolare (SSA).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Obsoleti. Creare SsaSpikeEstimator, che stima i picchi nelle serie temporali usando l'analisi di spettro singolare (SSA).
Concatenate(TransformsCatalog, String, String[])	Creare un ColumnConcatenatingEstimatoroggetto , che concatena una o più colonne di input in una nuova colonna di output.
CopyColumns(TransformsCatalog, String, String)	Creare un ColumnCopyingEstimatoroggetto , che copia i dati dalla colonna specificata in inputColumnName in una nuova colonna: outputColumnName.
DropColumns(TransformsCatalog, String[])	Creare un ColumnSelectingEstimatoroggetto , che elimina un determinato elenco di colonne da un oggetto IDataView. Qualsiasi colonna non specificata verrà mantenuta nell'output.
SelectColumns(TransformsCatalog, String[])	Creare un ColumnSelectingEstimatoroggetto , che mantiene un elenco specificato di colonne in un IDataView oggetto e elimina gli altri.
SelectColumns(TransformsCatalog, String[], Boolean)	Creare un ColumnSelectingEstimatoroggetto , che mantiene un elenco specificato di colonne in un IDataView oggetto e elimina gli altri.
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Creare FastForestBinaryFeaturizationEstimator, che usa FastForestBinaryTrainer per eseguire il training TreeEnsembleModelParameters per creare funzionalità basate su albero.
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Creare FastForestRegressionFeaturizationEstimator, che usa FastForestRegressionTrainer per eseguire il training TreeEnsembleModelParameters per creare funzionalità basate su albero.
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Creare FastTreeBinaryFeaturizationEstimator, che usa FastTreeBinaryTrainer per eseguire il training TreeEnsembleModelParameters per creare funzionalità basate su albero.
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Creare FastTreeRankingFeaturizationEstimator, che usa FastTreeRankingTrainer per eseguire il training TreeEnsembleModelParameters per creare funzionalità basate su albero.
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Creare FastTreeRegressionFeaturizationEstimator, che usa FastTreeRegressionTrainer per eseguire il training TreeEnsembleModelParameters per creare funzionalità basate su albero.
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Creare FastTreeTweedieFeaturizationEstimator, che usa FastTreeTweedieTrainer per eseguire il training TreeEnsembleModelParameters per creare funzionalità basate su albero.
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	Creare PretrainedTreeFeaturizationEstimator, che produce funzionalità basate su albero in base a un TreeEnsembleModelParametersoggetto .