Microsoft.ML.Trainers Przestrzeń nazw

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Klasy

AveragedLinearOptions	Klasa argumentów dla uśrednionych trenerów liniowych.
AveragedLinearTrainer<TTransformer,TModel>	Klasa bazowa dla przeciętnych trenerów liniowych.
AveragedPerceptronTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany za pomocą przeciętnego perceptronu.
AveragedPerceptronTrainer.Options	Opcje dla właściwości używanej AveragedPerceptronTrainer w elemecie AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).
CoefficientStatistics	Reprezentuje obiekt statystyk współczynnika zawierający statystyki dotyczące parametrów modelu obliczeniowego.
ComputeLogisticRegressionStandardDeviation	Oblicza macierz odchylenia standardowego każdej z niezerowych wag treningowych, które są potrzebne do obliczenia dalszego odchylenia standardowego, wartości p i z-Score. Użyj implementacji tej klasy w pakiecie Microsoft.ML.Mkl.Components, który używa biblioteki jądra intel math. Ze względu na istnienie regularyzacji przybliżenie służy do obliczania wariancji wytrenowanych współczynników liniowych.
ComputeLRTrainingStdThroughMkl	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
ExpLoss	Utrata wykładnicza, często używana w zadaniach klasyfikacji.
ExponentialLRDecay	Ta klasa implementuje rozkład szybkości uczenia wykładniczego. Zaimplementowano z dokumentacji tensorflow. Źródło: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Wartości domyślne i implementacja szybkości nauki pochodzą z testów modelu Tensorflow Slim. Źródło: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	Obsługa obliczeń udziału funkcji.
FieldAwareFactorizationMachineModelParameters	Parametry modelu dla .FieldAwareFactorizationMachineTrainer
FieldAwareFactorizationMachinePredictionTransformer	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
FieldAwareFactorizationMachineTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu modelu maszyny factoryzacji obsługującego pole wyszkolony przy użyciu metody gradientu stochastycznego.
FieldAwareFactorizationMachineTrainer.Options	FieldAwareFactorizationMachineTrainer.Options jako FieldAwareFactorizationMachineTrainer używane w elemecie FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).
HingeLoss	Utrata zawiasu, powszechnie używana w zadaniach klasyfikacji.
KMeansModelParameters	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
KMeansTrainer	Element IEstimator<TTransformer> do trenowania klastra KMeans
KMeansTrainer.Options	Opcje używane KMeansTrainer w KMeansTrainer(Options).
LbfgsLogisticRegressionBinaryTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu regresji logistycznej wytrenowanego przy użyciu metody L-BFGS.
LbfgsLogisticRegressionBinaryTrainer.Options	Opcje używane LbfgsLogisticRegressionBinaryTrainer w LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
LbfgsMaximumEntropyMulticlassTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu maksymalnej klasyfikatora wieloklasowego entropii wyszkolonego przy użyciu metody L-BFGS.
LbfgsMaximumEntropyMulticlassTrainer.Options	LbfgsMaximumEntropyMulticlassTrainer.Options jako LbfgsMaximumEntropyMulticlassTrainer używane w elemecie LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).
LbfgsPoissonRegressionTrainer	Element IEstimator<TTransformer> do trenowania modelu regresji Poissona.
LbfgsPoissonRegressionTrainer.Options	Opcje używane LbfgsPoissonRegressionTrainer w LbfgsPoissonRegression(Options).
LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Klasa opcji bazowych dla narzędzia do szacowania trenera pochodzącego zLbfgsTrainerBase<TOptions,TTransformer,TModel>.
LbfgsTrainerBase<TOptions,TTransformer,TModel>	Klasa bazowa dla trenerów opartych na L-BFGS.
LdSvmModelParameters	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
LdSvmTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej wyszkolonego przy użyciu lokalnego głębokiego svM.
LdSvmTrainer.Options	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
LearningRateScheduler	Ta abstrakcyjna klasa definiuje harmonogram szybkości nauki.
LinearBinaryModelParameters	Klasa parametrów modelu dla narzędzi do szacowania liniowego trenera binarnego.
LinearModelParameters	Klasa podstawowa parametrów modelu liniowego.
LinearModelParameterStatistics	Statystyki parametrów modelu liniowego.
LinearMulticlassModelParameters	Model liniowy klasyfikatorów wieloklasowych. Generuje nieprzetworzone wyniki wszystkich modeli liniowych i nie podano prawdopodobnych danych wyjściowych.
LinearMulticlassModelParametersBase	Typowy model liniowy klasyfikatorów wieloklasowych. LinearMulticlassModelParameters zawiera pojedynczy model liniowy na klasę.
LinearRegressionModelParameters	Parametry modelu dla regresji liniowej.
LinearSvmTrainer	Element do IEstimator<TTransformer> przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wyszkolonego za pomocą maszyny nośnej liniowej.
LinearSvmTrainer.Options	Opcje dla właściwości używanej LinearSvmTrainer w elemecie LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).
LinearTrainerBase<TTransformer,TModel>	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
LogLoss	Utrata dziennika, znana również jako strata krzyżowa entropii. Jest on często używany w zadaniach klasyfikacji.
LsrDecay	Ta klasa implementuje regułę skalowania liniowego i rozpad LR. Wdrożenie przyjęte z testu porównawczego RESNET-CIFAR w tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py
MaximumEntropyModelParameters	Liniowy maksymalny model entropii wieloklasowych klasyfikatorów. Generuje ona prawdopodobieństwa klas. Ten model jest również znany jako regresja logistyczna wielomianowa. Aby uzyskać szczegółowe informacje, zobacz https://en.wikipedia.org/wiki/Multinomial_logistic_regression .
MetaMulticlassTrainer<TTransformer,TModel>	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
ModelParametersBase<TOutput>	Ogólna klasa bazowa dla wszystkich parametrów modelu.
ModelStatisticsBase	Statystyki parametrów modelu liniowego.
NaiveBayesMulticlassModelParameters	Parametry modelu dla .NaiveBayesMulticlassTrainer
NaiveBayesMulticlassTrainer	Element IEstimator<TTransformer> do trenowania wieloklasowego modelu Bayesa obsługującego wartości funkcji binarnych.
OlsModelParameters	Parametry modelu dla .OlsTrainer
OlsTrainer	Element IEstimator<TTransformer> do trenowania modelu regresji liniowej przy użyciu zwykłych najmniejszych kwadratów (OLS) do szacowania parametrów modelu regresji liniowej.
OlsTrainer.Options	Opcje używane OlsTrainer w ols(Opcje)
OneVersusAllModelParameters	Parametry modelu dla .OneVersusAllTrainer
OneVersusAllTrainer	Element IEstimator<TTransformer> do trenowania klasyfikatora jedno-a wszystkie klasyfikatora wieloklasowego, który używa określonego klasyfikatora binarnego.
OnlineGradientDescentTrainer	Element IEstimator<TTransformer> do trenowania modelu regresji liniowej przy użyciu funkcji Zejście gradientu online (OGD) do szacowania parametrów modelu regresji liniowej.
OnlineGradientDescentTrainer.Options	Opcje używane w narzędziu OnlineGradientDescentTrainerOnlineGradientDescent(Options).
OnlineLinearOptions	Klasa argumentów dla trenerów liniowych online.
OnlineLinearTrainer<TTransformer,TModel>	Klasa podstawowa dla trenerów liniowych online. Trenerzy online mogą być aktualizowani przyrostowo przy użyciu dodatkowych danych.
PairwiseCouplingModelParameters	Parametry modelu dla .PairwiseCouplingTrainer
PairwiseCouplingTrainer	Element IEstimator<TTransformer> do trenowania klasyfikatora wieloklasowego sprzężenia parowego, który używa określonego klasyfikatora binarnego.
PcaModelParameters	Parametry modelu dla .RandomizedPcaTrainer
PoissonLoss	Poisson Loss, funkcja regresji Poissona.
PoissonRegressionModelParameters	Parametry modelu dla regresji Poissona.
PolynomialLRDecay	Ta klasa implementuje rozkład szybkości uczenia wielomianowego. Zaimplementowano z dokumentacji tensorflow. Źródło: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Wartości domyślne i implementacja szybkości nauki pochodzą z testów modelu Tensorflow Slim. Źródło: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
PriorModelParameters	Parametry modelu dla .PriorTrainer
PriorTrainer	Element IEstimator<TTransformer> do przewidywania elementu docelowego przy użyciu modelu klasyfikacji binarnej.
RandomizedPcaTrainer	Element IEstimator<TTransformer> do trenowania przybliżonego pcA przy użyciu algorytmu RANDOMIZED SVD.
RandomizedPcaTrainer.Options	Opcje dla parametru RandomizedPcaTrainer używanego w randomizedPca(Options).
RegressionModelParameters	Parametry modelu dla regresji.
SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase	Opcje dla .SdcaBinaryTrainerBase<TModelParameters>
SdcaBinaryTrainerBase<TModelParameters>	SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorowa obsługi, regresja liniowa, regresja logistyczna itd. Rodzina trenera klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych członków: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje utraty i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie zapewnia dane wyjściowe prawdopodobieństwa, wygenerowany typ modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie TSubModel jest i TCalibrator LinearBinaryModelParameters to PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer	Element IEstimator<TTransformer> do trenowania binarnego modelu klasyfikacji regresji logistycznej przy użyciu metody dwurzędnych współrzędnych stochastycznych. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową funkcji liniowej do klasy PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer.Options	Opcje używane w standardzie SdcaLogisticRegressionBinaryTrainerSdcaLogisticRegression(Options).
SdcaMaximumEntropyMulticlassTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu klasyfikatora wieloklasowego maksymalnej entropii. Wytrenowany model MaximumEntropyModelParameters generuje prawdopodobieństwa klas.
SdcaMaximumEntropyMulticlassTrainer.Options	SdcaMaximumEntropyMulticlassTrainer.Options do SdcaMaximumEntropyMulticlassTrainer użycia w SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
SdcaMulticlassTrainerBase<TModel>.MulticlassOptions	Opcje dla .SdcaMulticlassTrainerBase<TModel>
SdcaMulticlassTrainerBase<TModel>	Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikatora wieloklasowego wytrenowanego z metodą spadku współrzędnych. W zależności od używanej funkcji utraty wytrenowany model może być na przykład maksymalny klasyfikator entropii lub wieloklasowa maszyna wektorowa obsługi.
SdcaNonCalibratedBinaryTrainer	Element IEstimator<TTransformer> do trenowania binarnego modelu klasyfikacji regresji logistycznej przy użyciu metody dwurzędnych współrzędnych stochastycznych.
SdcaNonCalibratedBinaryTrainer.Options	Opcje dla .SdcaNonCalibratedBinaryTrainer
SdcaNonCalibratedMulticlassTrainer	ElementIEstimator<TTransformer> do przewidywania celu przy użyciu klasyfikatora wieloklasowego liniowego. Wytrenowany model LinearMulticlassModelParameters generuje prawdopodobieństwa klas.
SdcaNonCalibratedMulticlassTrainer.Options	SdcaNonCalibratedMulticlassTrainer.Options jako SdcaNonCalibratedMulticlassTrainer używane w elemecie SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).
SdcaRegressionTrainer	Element IEstimator<TTransformer> do trenowania modelu regresji przy użyciu metody dwurzędnej współrzędnych dwurzędnych.
SdcaRegressionTrainer.Options	Opcje dla .SdcaRegressionTrainer
SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Opcje dla trenerów opartych na standardzie SDCA.
SdcaTrainerBase<TOptions,TTransformer,TModel>	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
SgdBinaryTrainerBase<TModel>.OptionsBase	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
SgdBinaryTrainerBase<TModel>	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
SgdCalibratedTrainer	Metoda IEstimator<TTransformer> trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową funkcji liniowej do klasy PlattCalibrator.
SgdCalibratedTrainer.Options	Opcje dla SgdCalibratedTrainer elementu używanego w sgdCalibrated(Options).
SgdNonCalibratedTrainer	Metoda IEstimator<TTransformer> trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego.
SgdNonCalibratedTrainer.Options	Opcje dla SgdNonCalibratedTrainer elementu używanego w sgdNonCalibrated(Options).
SmoothedHingeLoss	Gładka wersja HingeLoss funkcji, często używana w zadaniach klasyfikacji.
SquaredLoss	Strata kwadratowa, często używana w zadaniach regresji.
StochasticTrainerBase<TTransformer,TModel>	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
SymbolicSgdLogisticRegressionBinaryTrainer	Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany z symbolicznym spadkiem gradientu stochastycznego.
SymbolicSgdLogisticRegressionBinaryTrainer.Options	Opcje dla właściwości używanej SymbolicSgdLogisticRegressionBinaryTrainer w elemecie SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).
TrainerEstimatorBase<TTransformer,TModel>	Reprezentuje to podstawową klasę "prostego trenera". "Prosty trener" akceptuje jedną kolumnę funkcji i jedną kolumnę etykiety, a także opcjonalnie kolumnę wagi. Tworzy "transformator przewidywania".
TrainerEstimatorBaseWithGroupId<TTransformer,TModel>	Reprezentuje to podstawową klasę "prostego trenera". "Prosty trener" akceptuje jedną kolumnę funkcji i jedną kolumnę etykiety, a także opcjonalnie kolumnę wagi. Tworzy "transformator przewidywania".
TrainerInputBase	Klasa bazowa dla wszystkich danych wejściowych trenera.
TrainerInputBaseWithGroupId	Klasa bazowa dla wszystkich danych wejściowych trenera, które obsługują kolumnę grupy.
TrainerInputBaseWithLabel	Klasa bazowa dla wszystkich danych wejściowych trenera, które obsługują kolumnę Label.
TrainerInputBaseWithWeight	Klasa bazowa dla wszystkich danych wejściowych trenera, które obsługują kolumnę wagi.
TweedieLoss	Strata Tweedie, na podstawie prawdopodobieństwa dziennika rozkładu Tweedie. Ta funkcja utraty jest używana w regresji Tweedie.
UnsupervisedTrainerInputBaseWithWeight	Klasa bazowa dla wszystkich nienadzorowanych danych wejściowych trenera, które obsługują kolumnę wagi.

Struktury

LsrDecay.LearningRateSchedulerItem

Ta struktura reprezentuje typ elementu harmonogramu uczenia

Interfejsy

ICalculateFeatureContribution	Umożliwia obsługę obliczeń udziału funkcji według parametrów modelu.
IClassificationLoss	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
ILossFunction<TOutput,TLabel>	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
IRegressionLoss	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
IScalarLoss	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
ISupportSdcaClassificationLoss	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
ISupportSdcaLoss	Funkcja utraty może znać rozwiązanie zbliżone do optymalnej podwójnej aktualizacji Ref: Sec(6.2) http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf
ISupportSdcaRegressionLoss	Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.
ITrainerEstimator<TTransformer,TModel>	Interfejs narzędzia do szacowania trenera.

Wyliczenia

KMeansTrainer.InitializationAlgorithm

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.