TransformsCatalog Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML

Zestaw:

Microsoft.ML.Data.dll

Pakiet:

Microsoft.ML v2.0.0

Klasa używana przez MLContext program do tworzenia wystąpień składników przekształcania.

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

Dziedziczenie

Object

TransformsCatalog

Właściwości

Categorical	Lista operacji dotyczących danych kategorii.
Conversion	Lista operacji konwersji typu danych.
FeatureSelection	Lista operacji wybierania funkcji na podstawie niektórych kryteriów.
Text	Lista operacji przetwarzania danych tekstowych.

Metody rozszerzania

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	Utwórz obiekt CustomMappingEstimator<TSrc,TDst>, który stosuje niestandardowe mapowanie kolumn wejściowych do kolumn wyjściowych.
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	Utwórz obiekt StatefulCustomMappingEstimator<TSrc,TDst,TState>, który stosuje niestandardowe mapowanie kolumn wejściowych do kolumn wyjściowych, pozwalając jednocześnie na stan kursora.
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	Utwórz element, który FeatureContributionCalculatingEstimator oblicza wyniki udziału specyficzne dla modelu dla każdej funkcji wektora wejściowego.
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	Utwórz element, który FeatureContributionCalculatingEstimator oblicza wyniki udziału specyficzne dla modelu dla każdej funkcji wektora wejściowego. Obsługuje modele skalibrowane.
Expression(TransformsCatalog, String, String, String[])	Tworzy element ExpressionEstimator.
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	Utwórz obiekt MissingValueIndicatorEstimator, który kopiuje dane z kolumny określonej w pliku InputColumnName do nowej kolumny: OutputColumnName.
IndicateMissingValues(TransformsCatalog, String, String)	Utwórz obiekt MissingValueIndicatorEstimator, który skanuje dane z kolumny określonej w inputColumnName kolumnie i wypełnia nową kolumnę określoną w wektorem outputColumnName wartości logicznej, gdzie wartość logiczna i-th ma wartość true , jeśli element i-th w danych kolumny ma brak wartości i false w przeciwnym razie.
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	Utwórz obiekt ColumnCopyingEstimator, który kopiuje dane z kolumny określonej w InputColumnName pliku do nowej kolumny: OutputColumnName i zastępuje brakujące wartości zgodnie z parametrem replacementMode.
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	Utwórz obiekt MissingValueReplacingEstimator, który kopiuje dane z kolumny określonej w inputColumnName pliku do nowej kolumny: outputColumnName i zastępuje brakujące wartości zgodnie z parametrem replacementMode.
ConvertToGrayscale(TransformsCatalog, String, String)	Utwórz obiekt ImageGrayscalingEstimator, który konwertuje obrazy w kolumnie określonej na InputColumnName obrazy w skali szarości w nowej kolumnie: OutputColumnName.
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	Utwórz obiekt VectorToImageConvertingEstimator, który tworzy obraz na podstawie danych z kolumny określonej w inputColumnName do nowej kolumny: outputColumnName.
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	Utwórz obiekt ImagePixelExtractingEstimator, który wyodrębnia wartości pikseli z danych określonych w kolumnie: inputColumnName do nowej kolumny: outputColumnName.
LoadImages(TransformsCatalog, String, String, String)	Utwórz obiekt ImageLoadingEstimator, który ładuje dane z kolumny określonej w inputColumnName pliku jako obraz do nowej kolumny: outputColumnName.
LoadRawImageBytes(TransformsCatalog, String, String, String)	Utwórz obiekt ImageLoadingEstimator, który ładuje dane z kolumny określonej w inputColumnName pliku jako obraz nieprzetworzonych bajtów do nowej kolumny: outputColumnName.
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	Utwórz obiekt ImageResizingEstimator, który zmienia rozmiar obrazu z kolumny określonej w pliku inputColumnName na nową kolumnę: outputColumnName.
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	Utwórz obiekt ApproximatedKernelMappingEstimator , który mapuje wektory wejściowe na przestrzeń funkcji o niskim wymiarach, w której wewnętrzne produkty przybliżą funkcję jądra zmianowego.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Przyjmuje kolumnę wypełnioną wektorem zmiennych losowych ze znaną macierzą wariancji do zestawu nowych zmiennych, których wariancja jest macierzą tożsamości, co oznacza, że są one nierelowane, a każda z nich ma wariancję 1.
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	Utwórz element NormalizingEstimator, który normalizuje się, przypisując dane do pojemników o równej gęstości.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	Utwórz element NormalizingEstimator, który normalizuje się, przypisując dane do pojemników o równej gęstości.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Utwórz obiekt GlobalContrastNormalizingEstimator, który normalizuje kolumny indywidualnie stosując normalizację kontrastu globalnego. Ustawienie ensureZeroMean na truewartość spowoduje zastosowanie kroku przetwarzania wstępnego w celu określenia średniej określonej kolumny jako wektora zerowego.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obliczonej średniej i wariancji logarytmu danych.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obliczonej średniej i wariancji logarytmu danych.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obliczonej średniej i wariancji logarytmu danych.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obliczonej średniej i wariancji logarytmu danych.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	Utwórz element LpNormNormalizingEstimator, który normalizuje (skaluje) wektory w kolumnie wejściowej do normy jednostkowej. Typ używanej normy jest definiowany przez element norm. Ustawienie ensureZeroMean na truewartość spowoduje zastosowanie kroku przetwarzania wstępnego w celu określenia średniej określonej kolumny jako wektora zerowego.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obliczonej średniej i wariancji danych.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obliczonej średniej i wariancji danych.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obserwowanych wartości minimalnych i maksymalnych danych.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	Utwórz element NormalizingEstimator, który normalizuje się na podstawie obserwowanych wartości minimalnych i maksymalnych danych.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	Utwórz obiekt NormalizingEstimator, który normalizuje się przy użyciu statystyk, które są niezawodne dla wartości odstających, wyśrodkując dane około 0 (usuwając medianę) i skalując dane zgodnie z zakresem kwantylu (domyślnie do zakresu interquartyl).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	Utwórz obiekt NormalizingEstimator, który normalizuje się przy użyciu statystyk, które są niezawodne dla wartości odstających, wyśrodkując dane około 0 (usuwając medianę) i skalując dane zgodnie z zakresem kwantylu (domyślnie do zakresu interquartyl).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	Utwórz element NormalizingEstimator, który normalizuje się, przypisując dane do pojemników na podstawie korelacji z kolumną labelColumnName .
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	Utwórz element NormalizingEstimator, który normalizuje się, przypisując dane do pojemników na podstawie korelacji z kolumną labelColumnName .
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	Utwórz obiekt OnnxScoringEstimator przy użyciu określonego OnnxOptionselementu . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny wejściowej. Kolumny wejściowe/wyjściowe są określane na podstawie kolumn wejściowych/wyjściowych dostarczonego modelu ONNX. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny wejściowej. Kolumny wejściowe/wyjściowe są określane na podstawie kolumn wejściowych/wyjściowych dostarczonego modelu ONNX. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny inputColumnName . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	Utwórz element OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do kolumny inputColumnName . Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	Utwórz obiekt OnnxScoringEstimator, który stosuje wstępnie wytrenowany model Onnx do inputColumnNames kolumn. Zapoznaj się z OnnxScoringEstimator artykułem, aby dowiedzieć się więcej o niezbędnych zależnościach i sposobie jej uruchamiania na procesorze GPU.
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Utwórz DnnImageFeaturizerEstimatorelement , który stosuje jeden z wstępnie wytrenowanych modeli sieci DNN do DnnImageModelSelector wyczynu obrazu.
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	Inicjuje nowe wystąpienie klasy PrincipalComponentAnalyzer.
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Utwórz SrCnnAnomalyEstimatormetodę , która wykrywa anomalie czasowe przy użyciu algorytmu SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Utwórz SsaChangePointEstimatorelement , który przewiduje punkty zmian w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Przestarzałe. Utwórz SsaChangePointEstimatorelement , który przewiduje punkty zmian w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Utwórz IidChangePointEstimatorobiekt , który przewiduje punkty zmian w niezależnie rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach gęstości jądra adaptacyjnego i wynikach martingale.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Przestarzałe. Utwórz IidChangePointEstimatorobiekt , który przewiduje punkty zmian w niezależnie rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach gęstości jądra adaptacyjnego i wynikach martingale.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Utwórz IidSpikeEstimatorelement , który przewiduje wzrosty liczby niezależnych, identycznych rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach adaptacyjnej gęstości jądra i wynikach martingale.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Przestarzałe. Utwórz IidSpikeEstimatorelement , który przewiduje wzrosty liczby niezależnych, identycznych rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach adaptacyjnej gęstości jądra i wynikach martingale.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Utwórz SsaSpikeEstimatorelement , który przewiduje skoki szeregów czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Przestarzałe. Utwórz SsaSpikeEstimatorelement , który przewiduje skoki szeregów czasowych przy użyciu analizy pojedynczego spektrum (SSA).
Concatenate(TransformsCatalog, String, String[])	Utwórz obiekt , który łączy co najmniej jedną kolumnę ColumnConcatenatingEstimatorwejściową w nową kolumnę wyjściową.
CopyColumns(TransformsCatalog, String, String)	Utwórz obiekt ColumnCopyingEstimator, który kopiuje dane z kolumny określonej w pliku inputColumnName do nowej kolumny: outputColumnName.
DropColumns(TransformsCatalog, String[])	Utwórz obiekt ColumnSelectingEstimator, który pominie daną listę kolumn na podstawie elementu IDataView. Każda określona kolumna nie zostanie zachowana w danych wyjściowych.
SelectColumns(TransformsCatalog, String[])	Utwórz obiekt , który przechowuje daną listę kolumn w elemecie ColumnSelectingEstimatorIDataView i pomija inne.
SelectColumns(TransformsCatalog, String[], Boolean)	Utwórz obiekt , który przechowuje daną listę kolumn w elemecie ColumnSelectingEstimatorIDataView i pomija inne.
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Utwórz FastForestBinaryFeaturizationEstimatorelement , który będzie używany FastForestBinaryTrainer do trenowania TreeEnsembleModelParameters w celu utworzenia funkcji opartych na drzewach.
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Utwórz FastForestRegressionFeaturizationEstimatorelement , który będzie używany FastForestRegressionTrainer do trenowania TreeEnsembleModelParameters w celu utworzenia funkcji opartych na drzewach.
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Utwórz FastTreeBinaryFeaturizationEstimatorelement , który będzie używany FastTreeBinaryTrainer do trenowania TreeEnsembleModelParameters w celu utworzenia funkcji opartych na drzewach.
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Utwórz FastTreeRankingFeaturizationEstimatorelement , który będzie używany FastTreeRankingTrainer do trenowania TreeEnsembleModelParameters w celu utworzenia funkcji opartych na drzewach.
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Utwórz FastTreeRegressionFeaturizationEstimatorelement , który będzie używany FastTreeRegressionTrainer do trenowania TreeEnsembleModelParameters w celu utworzenia funkcji opartych na drzewach.
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Utwórz FastTreeTweedieFeaturizationEstimatorelement , który będzie używany FastTreeTweedieTrainer do trenowania TreeEnsembleModelParameters w celu utworzenia funkcji opartych na drzewach.
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	Utwórz PretrainedTreeFeaturizationEstimatorelement , który tworzy funkcje oparte na drzewach na podstawie elementu TreeEnsembleModelParameters.