een geïmporteerd model toepassen in TensorFlow- of ONNX-indeling
gegevens na het verwerken nadat deze zijn doorgegeven via een model
De transformaties in deze handleiding retourneren klassen die de IEstimator-interface implementeren. Gegevenstransformaties kunnen aan elkaar worden gekoppeld. Elke transformatie verwacht en produceert gegevens van specifieke typen en indelingen, die zijn opgegeven in de gekoppelde referentiedocumentatie.
Voor sommige gegevenstransformaties moeten trainingsgegevens worden gebruikt om hun parameters te berekenen. Bijvoorbeeld: de NormalizeMeanVariance transformator berekent het gemiddelde en de variantie van de trainingsgegevens tijdens de Fit() bewerking en gebruikt deze parameters in de Transform() bewerking.
Voor andere gegevenstransformaties zijn geen trainingsgegevens vereist. Bijvoorbeeld: de ConvertToGrayscale transformatie kan de Transform() bewerking uitvoeren zonder trainingsgegevens tijdens de Fit() bewerking te hebben gezien.
Schaal elke waarde in een rij door het gemiddelde van de rijgegevens af te trekken en te delen door de standaarddeviatie of l2-norm (van de rijgegevens) en te vermenigvuldigen met een configureerbare schaalfactor (standaard 2)
Wijs de invoerwaarde toe aan een bin-index en deel door het aantal bins om een float-waarde tussen 0 en 1 te produceren. De bin-grenzen worden berekend om de trainingsgegevens gelijkmatig over bins te verdelen
Schaal elke waarde met behulp van statistieken die robuust zijn voor uitbijters die de gegevens rond 0 centreren en de gegevens schalen op basis van het kwantielbereik.
Wijzigingspunten detecteren in onafhankelijke en identiek gedistribueerde tijdreeksgegevens (IID) met behulp van adaptieve kerneldichtheidsschattingen en martingale-scores
Pieken detecteren in onafhankelijke en identiek gedistribueerde tijdreeksgegevens (IID) met behulp van adaptieve kerneldichtheidsschattingen en martingale-scores
Maak een nieuwe uitvoerkolom, waarvan de waarde is ingesteld op een standaardwaarde als de waarde ontbreekt in de invoerkolom en anders de invoerwaarde
Wijs elke invoervector toe aan een lagere dimensionale functieruimte, waarbij interne producten een kernelfunctie benaderen, zodat de functies kunnen worden gebruikt als invoer voor de lineaire algoritmen
Transformeert een onbewerkte score van een binaire classificatie in een klassekans met behulp van logistieke regressie met parameters die worden geschat met behulp van de trainingsgegevens
Transformeert een onbewerkte binaire classificatiescore in een klassekans door scores toe te wijzen aan bins en de kans te berekenen op basis van de verdeling tussen de klassen
Transformeert een onbewerkte binaire classificatiescore in een klassekans door scores toe te wijzen aan bins, waarbij de positie van grenzen en de grootte van bins wordt geschat met behulp van de trainingsgegevens
Een expressie toepassen om kolommen te transformeren in nieuwe kolommen
Nee
Met ons samenwerken op GitHub
De bron voor deze inhoud vindt u op GitHub, waar u ook problemen en pull-aanvragen kunt maken en controleren. Bekijk onze gids voor inzenders voor meer informatie.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub Issues geleidelijk uitfaseren als het feedbackmechanisme voor inhoud. Het wordt vervangen door een nieuw feedbacksysteem. Zie voor meer informatie: https://aka.ms/ContentUserFeedback.
