|
CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)
|
Create a CustomMappingEstimator<TSrc,TDst>, which applies a custom mapping of input columns to output columns.
|
|
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)
|
StatefulCustomMappingEstimator<TSrc,TDst,TState>커서당 상태를 허용하면서 입력 열의 사용자 지정 매핑을 출력 열에 적용하는 를 만듭니다.
|
|
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)
|
입력 벡터의 FeatureContributionCalculatingEstimator 각 기능에 대한 모델별 기여도 점수를 계산하는 값을 만듭니다.
|
|
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog,
ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters,
TCalibrator>>, Int32, Int32, Boolean)
|
입력 벡터의 FeatureContributionCalculatingEstimator 각 기능에 대한 모델별 기여도 점수를 계산하는 값을 만듭니다. 보정된 모델을 지원합니다.
|
|
Expression(TransformsCatalog, String, String, String[])
|
ExpressionEstimator를 만듭니다.
|
|
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])
|
MissingValueIndicatorEstimator에 지정된 InputColumnName 열의 데이터를 새 열로 복사하는 OutputColumnName를 만듭니다.
|
|
IndicateMissingValues(TransformsCatalog, String, String)
|
Create a MissingValueIndicatorEstimator, which scans the data from the column specified in inputColumnName and fills new column specified in outputColumnName with vector of bools where i-th bool has value of true if i-th element in column data has missing value and false otherwise.
|
|
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)
|
ColumnCopyingEstimator에 지정된 열에서 새 OutputColumnName 열로 데이터를 복사하고 그에 따라 replacementMode누락된 InputColumnName 값을 대체하는 를 만듭니다.
|
|
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)
|
MissingValueReplacingEstimator에 지정된 열에서 새 outputColumnName 열로 데이터를 복사하고 그에 따라 replacementMode누락된 inputColumnName 값을 대체하는 를 만듭니다.
|
|
ConvertToGrayscale(TransformsCatalog, String, String)
|
ImageGrayscalingEstimator에 지정된 InputColumnName 열의 이미지를 새 열의 회색조 이미지로 변환하는 OutputColumnName를 만듭니다.
|
|
ConvertToImage(TransformsCatalog, Int32, Int32, String, String,
ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder,
Boolean, Single, Single, Int32, Int32, Int32, Int32)
|
VectorToImageConvertingEstimator에 지정된 inputColumnName 열의 데이터에서 새 열로 이미지를 만드는 outputColumnName를 만듭니다.
|
|
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits,
ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single,
Boolean)
|
열에 ImagePixelExtractingEstimator지정된 데이터에서 새 열 inputColumnNameoutputColumnName로 픽셀 값을 추출하는 을 만듭니다.
|
|
LoadImages(TransformsCatalog, String, String, String)
|
이미지로 ImageLoadingEstimator지정된 inputColumnName 열의 데이터를 새 열로 로드하는 outputColumnName를 만듭니다.
|
|
LoadRawImageBytes(TransformsCatalog, String, String, String)
|
ImageLoadingEstimator원시 바이트 이미지로 지정된 inputColumnName 열의 데이터를 새 열outputColumnName로 로드하는 를 만듭니다.
|
|
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)
|
ImageResizingEstimator에 지정된 inputColumnName 열에서 새 열로 이미지 크기를 조정하는 outputColumnName를 만듭니다.
|
|
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)
|
ApproximatedKernelMappingEstimator 내부 제품이 시프트 고정 커널 함수와 근사치인 낮은 차원 기능 공간에 입력 벡터를 매핑하는 항목을 만듭니다.
|
|
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)
|
알려진 공변성 행렬이 있는 임의 변수의 벡터로 채워진 열을 공변이 ID 행렬인 새 변수 집합으로 가져옵니다. 즉, 서로 상호 관련이 없으며 각각 분산 1이 있습니다.
|
|
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)
|
Create a NormalizingEstimator, which normalizes by assigning the data into bins with equal density.
|
|
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)
|
Create a NormalizingEstimator, which normalizes by assigning the data into bins with equal density.
|
|
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)
|
GlobalContrastNormalizingEstimator전역 대비 정규화를 개별적으로 적용하는 열을 정규화하는 을 만듭니다.
로 true설정 ensureZeroMean 하면 사전 처리 단계를 적용하여 지정된 열의 평균을 0 벡터로 만듭니다.
|
|
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the computed mean and variance of the logarithm of the data.
|
|
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the computed mean and variance of the logarithm of the data.
|
|
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the computed mean and variance of the logarithm of the data.
|
|
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the computed mean and variance of the logarithm of the data.
|
|
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)
|
입력 열의 LpNormNormalizingEstimator벡터를 단위 표준으로 정규화하는 (배율) 벡터를 만듭니다.
사용되는 norm의 형식은 .에 의해 norm정의됩니다. 로 true설정 ensureZeroMean 하면 사전 처리 단계를 적용하여 지정된 열의 평균을 0 벡터로 만듭니다.
|
|
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the computed mean and variance of the data.
|
|
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the computed mean and variance of the data.
|
|
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the observed minimum and maximum values of the data.
|
|
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)
|
Create a NormalizingEstimator, which normalizes based on the observed minimum and maximum values of the data.
|
|
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)
|
Create a NormalizingEstimator, which normalizes using statistics that are robust to outliers by centering the data around 0 (removing the median) and scales the data according to the quantile range (defaults to the interquartile range).
|
|
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)
|
Create a NormalizingEstimator, which normalizes using statistics that are robust to outliers by centering the data around 0 (removing the median) and scales the data according to the quantile range (defaults to the interquartile range).
|
|
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)
|
Create a NormalizingEstimator, which normalizes by assigning the data into bins based on correlation with the labelColumnName column.
|
|
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)
|
Create a NormalizingEstimator, which normalizes by assigning the data into bins based on correlation with the labelColumnName column.
|
|
ApplyOnnxModel(TransformsCatalog, OnnxOptions)
|
지정된 을 OnnxScoringEstimator 사용하여 만듭니다 OnnxOptions.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
|
Create a OnnxScoringEstimator, which applies a pre-trained Onnx model to the input column.
입력/출력 열은 제공된 ONNX 모델의 입력/출력 열에 따라 결정됩니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)
|
Create a OnnxScoringEstimator, which applies a pre-trained Onnx model to the input column.
입력/출력 열은 제공된 ONNX 모델의 입력/출력 열에 따라 결정됩니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
|
OnnxScoringEstimator미리 학습된 Onnx 모델을 열에 적용하는 inputColumnName 을 만듭니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)
|
OnnxScoringEstimator미리 학습된 Onnx 모델을 열에 적용하는 inputColumnName 을 만듭니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)
|
OnnxScoringEstimator미리 학습된 Onnx 모델을 열에 적용하는 을 inputColumnNames 만듭니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)
|
OnnxScoringEstimator미리 학습된 Onnx 모델을 열에 적용하는 을 inputColumnNames 만듭니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)
|
OnnxScoringEstimator미리 학습된 Onnx 모델을 열에 적용하는 을 inputColumnNames 만듭니다.
필요한 종속성 및 GPU에서 실행하는 방법에 대해 자세히 알아보려면 참조 OnnxScoringEstimator 하세요.
|
|
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)
|
미리 학습된 DNN 모델 DnnImageModelSelector 중 하나를 적용하여 이미지를 특징으로 하는 만들기 DnnImageFeaturizerEstimator
|
|
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)
|
PrincipalComponentAnalyzer의 새 인스턴스를 초기화합니다.
|
|
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)
|
SRCNN 알고리즘을 사용하여 시간 변칙을 검색하는 Create SrCnnAnomalyEstimator.
|
|
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)
|
SSA(단수 스펙트럼 분석)를 사용하여 시계열의 변경 지점을 예측하는 CreateSsaChangePointEstimator.
|
|
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)
|
사용되지 않음.
SSA(단수 스펙트럼 분석)를 사용하여 시계열의 변경 지점을 예측하는 CreateSsaChangePointEstimator.
|
|
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)
|
적응형 커널 밀도 예측 및 martingale 점수를 기반으로 독립적으로 동일하게 분산된(즉, d.d.) 시계열에서 변경 지점을 예측하는 CreateIidChangePointEstimator.
|
|
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)
|
사용되지 않음.
적응형 커널 밀도 예측 및 martingale 점수를 기반으로 독립적으로 동일하게 분산된(즉, d.d.) 시계열에서 변경 지점을 예측하는 CreateIidChangePointEstimator.
|
|
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)
|
적응형 커널 밀도 예측 및 martingale 점수를 기반으로 독립적으로 동일하게 분산된(즉, d.d.) 시계열의 급증을 예측하는 CreateIidSpikeEstimator.
|
|
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)
|
사용되지 않음.
적응형 커널 밀도 예측 및 martingale 점수를 기반으로 독립적으로 동일하게 분산된(즉, d.d.) 시계열의 급증을 예측하는 CreateIidSpikeEstimator.
|
|
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)
|
SSA(단수 스펙트럼 분석)를 사용하여 시계열의 급증을 예측하는 CreateSsaSpikeEstimator.
|
|
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)
|
사용되지 않음.
SSA(단수 스펙트럼 분석)를 사용하여 시계열의 급증을 예측하는 CreateSsaSpikeEstimator.
|
|
Concatenate(TransformsCatalog, String, String[])
|
ColumnConcatenatingEstimator하나 이상의 입력 열을 새 출력 열에 연결하는 를 만듭니다.
|
|
CopyColumns(TransformsCatalog, String, String)
|
ColumnCopyingEstimator에 지정된 inputColumnName 열의 데이터를 새 열로 복사하는 outputColumnName를 만듭니다.
|
|
DropColumns(TransformsCatalog, String[])
|
ColumnSelectingEstimator에서 지정된 열 목록을 삭제하는 을 IDataView만듭니다. 지정되지 않은 열은 출력에 유지됩니다.
|
|
SelectColumns(TransformsCatalog, String[], Boolean)
|
Create a ColumnSelectingEstimator, which keeps a given list of columns in an IDataView and drops the others.
|
|
SelectColumns(TransformsCatalog, String[])
|
Create a ColumnSelectingEstimator, which keeps a given list of columns in an IDataView and drops the others.
|
|
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)
|
트리 기반 기능을 만들기 위해 학습 TreeEnsembleModelParameters 하는 데 사용하는 FastForestBinaryTrainer CreateFastForestBinaryFeaturizationEstimator.
|
|
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)
|
트리 기반 기능을 만들기 위해 학습 TreeEnsembleModelParameters 하는 데 사용하는 FastForestRegressionTrainer CreateFastForestRegressionFeaturizationEstimator.
|
|
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)
|
트리 기반 기능을 만들기 위해 학습 TreeEnsembleModelParameters 하는 데 사용하는 FastTreeBinaryTrainer CreateFastTreeBinaryFeaturizationEstimator.
|
|
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)
|
트리 기반 기능을 만들기 위해 학습 TreeEnsembleModelParameters 하는 데 사용하는 FastTreeRankingTrainer CreateFastTreeRankingFeaturizationEstimator.
|
|
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)
|
트리 기반 기능을 만들기 위해 학습 TreeEnsembleModelParameters 하는 데 사용하는 FastTreeRegressionTrainer CreateFastTreeRegressionFeaturizationEstimator.
|
|
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)
|
트리 기반 기능을 만들기 위해 학습 TreeEnsembleModelParameters 하는 데 사용하는 FastTreeTweedieTrainer CreateFastTreeTweedieFeaturizationEstimator.
|
|
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)
|
를 사용하여 PretrainedTreeFeaturizationEstimator트리 기반 기능을 TreeEnsembleModelParameters생성합니다.
|