MklComponentsCatalog Classe

Definição

Namespace:

Microsoft.ML

Assembly:

Microsoft.ML.Mkl.Components.dll

Pacote:

Microsoft.ML.Mkl.Components v3.0.1

Coleção de métodos de extensão para RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainerse TransformsCatalog para criar o MKL (Math Kernel Library) treinador e transformar componentes.

public static class MklComponentsCatalog

type MklComponentsCatalog = class

Public Module MklComponentsCatalog

Herança

Object

MklComponentsCatalog

Métodos

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)	Crie OlsTrainer com opções avançadas, que prevê um destino usando um modelo de regressão linear.
Ols(RegressionCatalog+RegressionTrainers, String, String, String)	Criar OlsTrainer, que prevê um destino usando um modelo de regressão linear.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Criar SymbolicSgdLogisticRegressionBinaryTrainer, que prevê um destino usando um modelo de classificação binária linear treinado sobre dados de rótulo booliano. SGD (descendente de gradiente stocástico) é um algoritmo iterativo que otimiza uma função de objetivo diferencial. O SymbolicSgdLogisticRegressionBinaryTrainer SGD paraleliza usando a execução simbólica.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Crie SymbolicSgdLogisticRegressionBinaryTrainer com opções avançadas, que prevê um destino usando um modelo de classificação binária linear treinado sobre dados de rótulo booliano. SGD (descendente de gradiente stocástico) é um algoritmo iterativo que otimiza uma função de objetivo diferencial. O SymbolicSgdLogisticRegressionBinaryTrainer SGD paraleliza usando a execução simbólica.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Leva a coluna preenchida com um vetor de variáveis aleatórias com uma matriz de covariância conhecida em um conjunto de novas variáveis cuja covariância é a matriz de identidade, o que significa que elas não estão relacionadas e cada uma tem variação 1.