Udostępnij za pośrednictwem


BinaryClassificationCatalog.BinaryClassificationTrainers Klasa

Definicja

Klasa używana przez MLContext program do tworzenia wystąpień trenerów klasyfikacji binarnej.

public sealed class BinaryClassificationCatalog.BinaryClassificationTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBase
type BinaryClassificationCatalog.BinaryClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase
Public NotInheritable Class BinaryClassificationCatalog.BinaryClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase
Dziedziczenie
BinaryClassificationCatalog.BinaryClassificationTrainers

Metody rozszerzania

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)

Utwórz FieldAwareFactorizationMachineTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu maszyny factoryzacji obsługującej pola wytrenowane na danych etykiet logicznych.

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)

Utwórz FieldAwareFactorizationMachineTrainerobiekt , który przewiduje obiekt docelowy przy użyciu maszyny factoryzacji obsługującej pola wytrenowanego na danych etykiet logicznych.

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)

Utwórz FieldAwareFactorizationMachineTrainerobiekt , który przewiduje obiekt docelowy przy użyciu maszyny factoryzacji obsługującej pola wytrenowanego na danych etykiet logicznych.

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)

Utwórz LightGbmBinaryTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu gradientu zwiększającej klasyfikację binarną drzewa decyzyjnego.

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)

Utwórz LightGbmBinaryTrainer na podstawie wstępnie wytrenowanego modelu LightGBM, który przewiduje cel przy użyciu klasyfikacji binarnej drzewa decyzyjnego zwiększającego gradient.

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)

Utwórz LightGbmBinaryTrainerobiekt , który przewiduje cel przy użyciu klasyfikacji binarnej drzewa decyzyjnego zwiększającego gradient.

SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)

Utwórz SymbolicSgdLogisticRegressionBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych. Spadek gradientu stochastycznego (SGD) to algorytm iteracyjny, który optymalizuje rozróżnialną funkcję obiektywną. Zrównoleglizuje usługę SymbolicSgdLogisticRegressionBinaryTrainer SGD przy użyciu wykonywania symbolicznego.

SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)

Utwórz SymbolicSgdLogisticRegressionBinaryTrainerobiekt , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych. Spadek gradientu stochastycznego (SGD) to algorytm iteracyjny, który optymalizuje rozróżnialną funkcję obiektywną. Zrównoleglizuje usługę SymbolicSgdLogisticRegressionBinaryTrainer SGD przy użyciu wykonywania symbolicznego.

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)

Utwórz element AveragedPerceptronTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)

Utwórz obiekt AveragedPerceptronTrainer, który przewiduje cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Utwórz LbfgsLogisticRegressionBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)

Utwórz LbfgsLogisticRegressionBinaryTrainerobiekt , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)

Utwórz LdSvmTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu lokalnego modelu głębokiego svM.

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)

Utwórz LdSvmTrainerobiekt docelowy przy użyciu lokalnego modelu głębokiego svM.

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)

Utwórz LinearSvmTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)

Utwórz LinearSvmTrainerobiekt , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.

Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)

Utwórz PriorTrainerobiekt docelowy przy użyciu modelu klasyfikacji binarnej.

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)

Utwórz SdcaLogisticRegressionBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu klasyfikacji liniowej.

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Utwórz SdcaLogisticRegressionBinaryTrainerobiekt docelowy przy użyciu modelu klasyfikacji liniowej.

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)

Utwórz SdcaNonCalibratedBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu klasyfikacji liniowej wytrenowanego na danych etykiet logicznych.

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Utwórz SdcaNonCalibratedBinaryTrainerobiekt docelowy przy użyciu modelu klasyfikacji liniowej.

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)

Utwórz SgdCalibratedTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu klasyfikacji liniowej. Spadek gradientu stochastycznego (SGD) to algorytm iteracyjny, który optymalizuje rozróżnialną funkcję obiektywną.

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)

Utwórz SgdCalibratedTrainerobiekt docelowy przy użyciu modelu klasyfikacji liniowej. Spadek gradientu stochastycznego (SGD) to algorytm iteracyjny, który optymalizuje rozróżnialną funkcję obiektywną.

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)

Utwórz SgdNonCalibratedTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu klasyfikacji liniowej. Spadek gradientu stochastycznego (SGD) to algorytm iteracyjny, który optymalizuje rozróżnialną funkcję obiektywną.

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)

Utwórz SgdNonCalibratedTrainerobiekt docelowy przy użyciu modelu klasyfikacji liniowej. Spadek gradientu stochastycznego (SGD) to algorytm iteracyjny, który optymalizuje rozróżnialną funkcję obiektywną.

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)

Utwórz FastForestBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji drzewa decyzyjnego.

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)

Utwórz FastForestBinaryTrainerobiekt , który przewiduje cel przy użyciu modelu regresji drzewa decyzyjnego.

FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)

Utwórz FastTreeBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu klasyfikacji binarnej drzewa decyzyjnego.

FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)

Utwórz FastTreeBinaryTrainerobiekt docelowy przy użyciu modelu klasyfikacji binarnej drzewa decyzyjnego.

Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)

Utwórz GamBinaryTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu uogólnionych modeli addytywnego (GAM).

Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)

Utwórz GamBinaryTrainerobiekt , który przewiduje cel przy użyciu uogólnionych modeli addytywnego (GAM).

Dotyczy