Поделиться через


MklComponentsCatalog Класс

Определение

Коллекция методов расширения для RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainersа также TransformsCatalog создание компонентов обучения и преобразования MKL (библиотека математических ядер).

public static class MklComponentsCatalog
type MklComponentsCatalog = class
Public Module MklComponentsCatalog
Наследование
MklComponentsCatalog

Методы

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)

Создание OlsTrainer с дополнительными параметрами, которые прогнозируют целевой объект с помощью модели линейной регрессии.

Ols(RegressionCatalog+RegressionTrainers, String, String, String)

Создание OlsTrainer, которое прогнозирует целевой объект с помощью модели линейной регрессии.

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

Создание SymbolicSgdLogisticRegressionBinaryTrainer, которое прогнозирует целевой объект с помощью модели линейной двоичной классификации, обученной по логическим данным меток. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует другую целевую функцию. Параллелизует SymbolicSgdLogisticRegressionBinaryTrainer КОД JSON с помощью символьного выполнения.

SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)

Создание SymbolicSgdLogisticRegressionBinaryTrainer с помощью дополнительных параметров, которые прогнозируют целевой объект с помощью модели линейной двоичной классификации, обученной на основе логических данных меток. Стохастический градиентный спуск (JSON) — это итеративный алгоритм, который оптимизирует другую целевую функцию. Параллелизует SymbolicSgdLogisticRegressionBinaryTrainer КОД JSON с помощью символьного выполнения.

VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)

Принимает столбец, заполненный вектором случайных переменных с известной матрицей ковариации, в набор новых переменных, ковариация которых является матрицей идентификации, то есть они некоррелируются, и каждая из них имеет дисперсию 1.

Применяется к