BinaryClassificationCatalog.BinaryClassificationTrainers Класс

Определение

Пространство имен:

Microsoft.ML

Сборка:

Microsoft.ML.Data.dll

Пакет:

Microsoft.ML v5.0.0-preview.1.25125.4

Исходный код:

TrainCatalog.cs

Класс, используемый MLContext для создания экземпляров тренеров двоичной классификации.

public sealed class BinaryClassificationCatalog.BinaryClassificationTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBase

type BinaryClassificationCatalog.BinaryClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase

Public NotInheritable Class BinaryClassificationCatalog.BinaryClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase

Наследование

Object

TrainCatalogBase.CatalogInstantiatorBase

BinaryClassificationCatalog.BinaryClassificationTrainers

Методы расширения

Имя	Описание
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)	AveragedPerceptronTrainer Создайте расширенные параметры, которые прогнозируют целевой объект с помощью линейной модели двоичной классификации, обученной по логическим данным метки.
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)	AveragedPerceptronTrainerСоздайте объект, который прогнозирует целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)	Создание FastForestBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели регрессии дерева принятия решений.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)	Создание FastForestBinaryTrainer, которое прогнозирует целевой объект с помощью модели регрессии дерева принятия решений.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)	Создание FastTreeBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели двоичной классификации дерева принятия решений.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)	Создание FastTreeBinaryTrainer, которое прогнозирует целевой объект с помощью модели двоичной классификации дерева принятия решений.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)	Создавайте FieldAwareFactorizationMachineTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью компьютера с учетом полей, обученного по логическим данным метки.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)	Создание FieldAwareFactorizationMachineTrainer, которое прогнозирует целевой объект с помощью компьютера с учетом полей, обученного по логическим данным метки.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)	Создание FieldAwareFactorizationMachineTrainer, которое прогнозирует целевой объект с помощью компьютера с учетом полей, обученного по логическим данным метки.
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)	Создание GamBinaryTrainer с помощью расширенных параметров, которое прогнозирует целевой объект с помощью обобщенных аддитивных моделей (GAM).
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)	Создание GamBinaryTrainer, которое прогнозирует целевой объект с помощью обобщенных аддитивных моделей (GAM).
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)	Создавайте LbfgsLogisticRegressionBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	Создание LbfgsLogisticRegressionBinaryTrainer, которое прогнозирует целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)	Создайте LdSvmTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью локальной модели Deep SVM.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)	Создание LdSvmTrainer, которое прогнозирует целевой объект с помощью локальной модели Deep SVM.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)	Создание LightGbmBinaryTrainer с дополнительными параметрами, которые прогнозируют целевой объект с помощью градиента повышения двоичной классификации дерева принятия решений.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)	Создание LightGbmBinaryTrainer из предварительно обученной модели LightGBM, которая прогнозирует целевой объект с помощью градиентной повышения двоичной классификации дерева принятия решений.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)	Создание LightGbmBinaryTrainer, которое прогнозирует целевой объект с помощью градиентной повышения двоичной классификации дерева принятия решений.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)	Создавайте LinearSvmTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)	Создание LinearSvmTrainer, которое прогнозирует целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток.
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)	Создание PriorTrainer, которое прогнозирует целевой объект с помощью модели двоичной классификации.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)	Создание SdcaLogisticRegressionBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели классификации.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Создание SdcaLogisticRegressionBinaryTrainer, которое прогнозирует целевой объект с помощью линейной модели классификации.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)	Создавайте SdcaNonCalibratedBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели классификации, обученной по данным логических меток.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Создание SdcaNonCalibratedBinaryTrainer, которое прогнозирует целевой объект с помощью линейной модели классификации.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)	Создание SgdCalibratedTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует разнообразную целевую функцию.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)	Создание SgdCalibratedTrainer, которое прогнозирует целевой объект с помощью линейной модели классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует разнообразную целевую функцию.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)	Создание SgdNonCalibratedTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует разнообразную целевую функцию.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)	Создание SgdNonCalibratedTrainer, которое прогнозирует целевой объект с помощью линейной модели классификации. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует разнообразную целевую функцию.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Создание SymbolicSgdLogisticRegressionBinaryTrainer, которое прогнозирует целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует разнообразную целевую функцию. ПараллелизируетСЯ SymbolicSgdLogisticRegressionBinaryTrainer с помощью символьного выполнения.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Создавайте SymbolicSgdLogisticRegressionBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью линейной модели двоичной классификации, обученной по данным логических меток. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует разнообразную целевую функцию. ПараллелизируетСЯ SymbolicSgdLogisticRegressionBinaryTrainer с помощью символьного выполнения.