Поделиться через


BinaryClassificationCatalog.BinaryClassificationTrainers Класс

Определение

Класс, используемый для MLContext создания экземпляров средств обучения 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
BinaryClassificationCatalog.BinaryClassificationTrainers

Методы расширения

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)

Создание FieldAwareFactorizationMachineTrainer с помощью расширенных параметров, которые прогнозируют целевой объект с помощью машины факторизации с учетом полей, обученной по логическим данным меток.

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

Создайте FieldAwareFactorizationMachineTrainer, который прогнозирует целевой объект с помощью машины факторизации с учетом полей, обученной по данным логических меток.

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

Создайте FieldAwareFactorizationMachineTrainer, который прогнозирует целевой объект с помощью машины факторизации с учетом полей, обученной по данным логических меток.

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)

Создайте LightGbmBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью двоичной классификации дерева принятия решений с градиентным повышением.

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)

Создайте LightGbmBinaryTrainer на основе предварительно обученной модели LightGBM, которая прогнозирует целевой объект с помощью двоичной классификации дерева принятия решений с повышением градиента.

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

Создайте LightGbmBinaryTrainer, который прогнозирует целевой объект с помощью двоичной классификации дерева принятия решений с градиентным повышением.

SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)

Создание SymbolicSgdLogisticRegressionBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию. Выполняет SymbolicSgdLogisticRegressionBinaryTrainer параллелизацию SGD с помощью символьного выполнения.

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

Создайте SymbolicSgdLogisticRegressionBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию. Выполняет SymbolicSgdLogisticRegressionBinaryTrainer параллелизацию SGD с помощью символьного выполнения.

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)

AveragedPerceptronTrainer Создайте объект с расширенными параметрами, который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

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

Создайте AveragedPerceptronTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Создание LbfgsLogisticRegressionBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

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

Создайте LbfgsLogisticRegressionBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)

Создание LdSvmTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели LOCAL Deep SVM.

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

Создайте LdSvmTrainer, который прогнозирует целевой объект с помощью модели SVM local Deep.

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)

Создание LinearSvmTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

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

Создайте LinearSvmTrainerобъект , который прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток.

Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)

Создайте PriorTrainer, который прогнозирует целевой объект с помощью модели двоичной классификации.

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)

Создайте SdcaLogisticRegressionBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации.

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

Создайте SdcaLogisticRegressionBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации.

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)

Создание SdcaNonCalibratedBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации, обученной по логическим данным меток.

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

Создайте SdcaNonCalibratedBinaryTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации.

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)

Создайте SgdCalibratedTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.

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

Создайте SgdCalibratedTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)

Создайте SgdNonCalibratedTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.

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

Создайте SgdNonCalibratedTrainerобъект , который прогнозирует целевой объект с помощью модели линейной классификации. Стохастический градиентный спуск (SGD) — это итеративный алгоритм, который оптимизирует различаемую целевую функцию.

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)

Создание FastForestBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели регрессии дерева принятия решений.

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

Создайте FastForestBinaryTrainer, который прогнозирует целевой объект с помощью модели регрессии дерева принятия решений.

FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)

Создание FastTreeBinaryTrainer с расширенными параметрами, которые прогнозируют целевой объект с помощью модели двоичной классификации дерева принятия решений.

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

Создайте FastTreeBinaryTrainer, который прогнозирует целевой объект с помощью модели двоичной классификации дерева решений.

Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)

Создание GamBinaryTrainer с помощью расширенных параметров, которые прогнозируют целевой объект с помощью обобщенных аддитивных моделей (GAM).

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

Создайте GamBinaryTrainer, который прогнозирует целевой объект с помощью обобщенных аддитивных моделей (GAM).

Применяется к