Microsoft.ML.Trainers Пространство имен

Пространство имен, содержащее средства обучения, параметры модели и служебные программы.

Классы

AveragedLinearOptions	Класс Arguments для усредненных линейных инструкторов.
AveragedLinearTrainer<TTransformer,TModel>	Базовый класс для усредненных линейных инструкторов.
AveragedPerceptronTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью модели линейной двоичной классификации, обученной со средним перцептроном.
AveragedPerceptronTrainer.Options	Параметры для , AveragedPerceptronTrainer используемые в AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).
CoefficientStatistics	Представляет объект статистики коэффициентов, содержащий статистику по параметрам вычисляемой модели.
ComputeLogisticRegressionStandardDeviation	Вычисляет стандартную матрицу отклонений для каждого ненулевых весовых коэффициентов обучения, необходимых для дальнейшего вычисления стандартного отклонения, p-значения и z-score. Используйте реализацию этого класса в пакете Microsoft.ML.Mkl.Components, который использует библиотеку ядра Intel Math. Из-за наличия регуляризации аппроксимация используется для вычисления отклонений обученных линейных коэффициентов.
ComputeLRTrainingStdThroughMkl	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
ExpLoss	Экспоненциальная потеря, обычно используемая в задачах классификации.
ExponentialLRDecay	Этот класс реализует упадок экспоненциальной скорости обучения. Реализовано на основе документации tensorflow. Источник. https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Значения по умолчанию и реализация скорости обучения приведены в тестах модели Tensorflow Slim. Источник: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	Поддержка вычисления вклада функций.
FieldAwareFactorizationMachineModelParameters	Параметры модели для FieldAwareFactorizationMachineTrainer.
FieldAwareFactorizationMachinePredictionTransformer	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
FieldAwareFactorizationMachineTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью модели машины факторизации с учетом полей, обученной с помощью метода стохастического градиента.
FieldAwareFactorizationMachineTrainer.Options	FieldAwareFactorizationMachineTrainer.Options для FieldAwareFactorizationMachineTrainer используемого в FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).
HingeLoss	Потеря петли, обычно используемая в задачах классификации.
KMeansModelParameters	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
KMeansTrainer	Для IEstimator<TTransformer> обучения кластеризатора KMeans
KMeansTrainer.Options	Параметры для , KMeansTrainer используемые в KMeansTrainer(Options).
LbfgsLogisticRegressionBinaryTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью модели линейной логистической регрессии, обученной с помощью метода L-BFGS.
LbfgsLogisticRegressionBinaryTrainer.Options	Параметры для , LbfgsLogisticRegressionBinaryTrainer используемые в LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
LbfgsMaximumEntropyMulticlassTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью многоклассового классификатора максимальной энтропии, обученного с помощью метода L-BFGS.
LbfgsMaximumEntropyMulticlassTrainer.Options	LbfgsMaximumEntropyMulticlassTrainer.Options для LbfgsMaximumEntropyMulticlassTrainer используемого в LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).
LbfgsPoissonRegressionTrainer	Объект IEstimator<TTransformer> для обучения модели регрессии Пуассона.
LbfgsPoissonRegressionTrainer.Options	Параметры для , LbfgsPoissonRegressionTrainer используемые в LbfgsPoissonRegression(Options).
LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Базовый класс параметров для оценщиков, производных отLbfgsTrainerBase<TOptions,TTransformer,TModel> .
LbfgsTrainerBase<TOptions,TTransformer,TModel>	Базовый класс для инструкторов на основе L-BFGS.
LdSvmModelParameters	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
LdSvmTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью нелинейной модели двоичной классификации, обученной с помощью Local Deep SVM.
LdSvmTrainer.Options	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
LearningRateScheduler	Этот абстрактный класс определяет планировщик скорости обучения.
LinearBinaryModelParameters	Класс параметров модели для линейных двоичных оценщиков.
LinearModelParameters	Базовый класс для параметров линейной модели.
LinearModelParameterStatistics	Статистика для параметров линейной модели.
LinearMulticlassModelParameters	Линейная модель многоклассовых классификаторов. Он выводит необработанные оценки всех своих линейных моделей, и вероятностные выходные данные не предоставляются.
LinearMulticlassModelParametersBase	Общая линейная модель многоклассовых классификаторов. LinearMulticlassModelParameters содержит одну линейную модель для каждого класса.
LinearRegressionModelParameters	Параметры модели для линейной регрессии.
LinearSvmTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью модели линейной двоичной классификации, обученной с помощью линейной SVM.
LinearSvmTrainer.Options	Параметры для , LinearSvmTrainer используемые в LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).
LinearTrainerBase<TTransformer,TModel>	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
LogLoss	Потеря журнала, также известная как перекрестная потеря энтропии. Он обычно используется в задачах классификации.
LsrDecay	Этот класс реализует правило линейного масштабирования и распад LR. Реализация, принятая из теста производительности RESNET-CIFAR в Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py
MaximumEntropyModelParameters	Модель линейной максимальной энтропии многоклассовых классификаторов. Он выводит вероятности классов. Эта модель также называется мультиномиальной логистической регрессией. Дополнительные сведения см. в этой статье https://en.wikipedia.org/wiki/Multinomial_logistic_regression .
MetaMulticlassTrainer<TTransformer,TModel>	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
ModelParametersBase<TOutput>	Универсальный базовый класс для всех параметров модели.
ModelStatisticsBase	Статистика для параметров линейной модели.
NaiveBayesMulticlassModelParameters	Параметры модели для NaiveBayesMulticlassTrainer.
NaiveBayesMulticlassTrainer	Для обучения многоклассовой модели Байеса, которая поддерживает двоичные IEstimator<TTransformer> значения признаков.
OlsModelParameters	Параметры модели для OlsTrainer.
OlsTrainer	Для IEstimator<TTransformer> обучения модели линейной регрессии с использованием обычных наименьших квадратов (OLS) для оценки параметров модели линейной регрессии.
OlsTrainer.Options	Параметры для , OlsTrainer используемые в Ols(Options)
OneVersusAllModelParameters	Параметры модели для OneVersusAllTrainer.
OneVersusAllTrainer	Объект IEstimator<TTransformer> для обучения многоклассового классификатора "один или все", который использует указанный двоичный классификатор.
OnlineGradientDescentTrainer	Для IEstimator<TTransformer> обучения модели линейной регрессии с использованием интерактивного градиентного спуска (OGD) для оценки параметров модели линейной регрессии.
OnlineGradientDescentTrainer.Options	Параметры для , OnlineGradientDescentTrainer используемые в OnlineGradientDescent(Options).
OnlineLinearOptions	Класс Arguments для линейных инструкторов в сети.
OnlineLinearTrainer<TTransformer,TModel>	Базовый класс для линейных инструкторов в сети. Онлайн-инструкторы можно постепенно обновлять с помощью дополнительных данных.
PairwiseCouplingModelParameters	Параметры модели для PairwiseCouplingTrainer.
PairwiseCouplingTrainer	Для IEstimator<TTransformer> обучения попарного взаимозависимого многоклассового классификатора, использующего указанный двоичный классификатор.
PcaModelParameters	Параметры модели для RandomizedPcaTrainer.
PoissonLoss	Функция потерь Пуассона для регрессии Пуассона.
PoissonRegressionModelParameters	Параметры модели для регрессии Пуассона.
PolynomialLRDecay	Этот класс реализует упадок скорости полиномиального обучения. Реализовано на основе документации tensorflow. Источник. https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Значения по умолчанию и реализация скорости обучения приведены в тестах модели Tensorflow Slim. Источник: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
PriorModelParameters	Параметры модели для PriorTrainer.
PriorTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью модели двоичной классификации.
RandomizedPcaTrainer	Для IEstimator<TTransformer> обучения приблизительного PCA с помощью алгоритма Случайного SVD.
RandomizedPcaTrainer.Options	Параметры для , RandomizedPcaTrainer используемые в RandomizedPca(Options).
RegressionModelParameters	Параметры модели для регрессии.
SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase	Параметры для SdcaBinaryTrainerBase<TModelParameters>.
SdcaBinaryTrainerBase<TModelParameters>	SDCA — это общий алгоритм обучения для (обобщенных) линейных моделей, таких как опорная векторная машина, линейная регрессия, логистическая регрессия и т. д. Семейство тренеров двоичной классификации SDCA включает несколько запечатанных элементов: (1) SdcaNonCalibratedBinaryTrainer поддерживает общие функции потерь и возвращает LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer по существу обучает регуляризированную модель логистической регрессии. Поскольку логистическая регрессия естественным образом обеспечивает выходные данные вероятности, эта созданная модель имеет CalibratedModelParametersBase<TSubModel,TCalibrator>тип . где TSubModel — , LinearBinaryModelParameters а TCalibrator — .PlattCalibrator
SdcaLogisticRegressionBinaryTrainer	Для IEstimator<TTransformer> обучения модели классификации двоичной логистической регрессии с использованием метода стохастического двойного координатного восхождения. Обученная модель откалибрована и может создавать вероятность путем передачи выходного значения линейной функции в PlattCalibrator.
SdcaLogisticRegressionBinaryTrainer.Options	Параметры для , SdcaLogisticRegressionBinaryTrainer используемые в SdcaLogisticRegression(Options).
SdcaMaximumEntropyMulticlassTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью максимального многоклассового классификатора энтропии. Обученная модель MaximumEntropyModelParameters создает вероятности классов.
SdcaMaximumEntropyMulticlassTrainer.Options	SdcaMaximumEntropyMulticlassTrainer.Options для SdcaMaximumEntropyMulticlassTrainer , как используется в SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
SdcaMulticlassTrainerBase<TModel>.MulticlassOptions	Параметры для SdcaMulticlassTrainerBase<TModel>.
SdcaMulticlassTrainerBase<TModel>	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью линейной многоклассовой модели классификатора, обученной методом координатного спуска. В зависимости от используемой функции потерь обученная модель может быть, например, классификатором максимальной энтропии или многоклассовой машиной опорных векторов.
SdcaNonCalibratedBinaryTrainer	Для IEstimator<TTransformer> обучения модели классификации двоичной логистической регрессии с использованием стохастического метода двойного координатного восхождения.
SdcaNonCalibratedBinaryTrainer.Options	Параметры для SdcaNonCalibratedBinaryTrainer.
SdcaNonCalibratedMulticlassTrainer	ОбъектIEstimator<TTransformer> для прогнозирования целевого объекта с помощью линейного многоклассового классификатора. Обученная модель LinearMulticlassModelParameters создает вероятности классов.
SdcaNonCalibratedMulticlassTrainer.Options	SdcaNonCalibratedMulticlassTrainer.Options для SdcaNonCalibratedMulticlassTrainer , используемого в SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).
SdcaRegressionTrainer	Для IEstimator<TTransformer> обучения регрессии модели с помощью стохастического метода двойного координатного восхождения.
SdcaRegressionTrainer.Options	Параметры для SdcaRegressionTrainer.
SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	Параметры для инструкторов на основе SDCA.
SdcaTrainerBase<TOptions,TTransformer,TModel>	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
SgdBinaryTrainerBase<TModel>.OptionsBase	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
SgdBinaryTrainerBase<TModel>	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
SgdCalibratedTrainer	Для IEstimator<TTransformer> обучения логистической регрессии с помощью метода параллельного стохастического градиента. Обученная модель откалибрована и может обеспечить вероятность путем передачи выходного значения линейной функции в PlattCalibrator.
SgdCalibratedTrainer.Options	Параметры для , SgdCalibratedTrainer используемые в SgdCalibrated(Options).
SgdNonCalibratedTrainer	Для IEstimator<TTransformer> обучения логистической регрессии с помощью метода параллельного стохастического градиента.
SgdNonCalibratedTrainer.Options	Параметры для , SgdNonCalibratedTrainer используемые в SgdNonCalibrated(Options).
SmoothedHingeLoss	Плавная версия HingeLoss функции, которая обычно используется в задачах классификации.
SquaredLoss	Квадратная потеря, обычно используемая в задачах регрессии.
StochasticTrainerBase<TTransformer,TModel>	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
SymbolicSgdLogisticRegressionBinaryTrainer	Объект IEstimator<TTransformer> для прогнозирования целевого объекта с помощью модели линейной двоичной классификации, обученной с помощью символьного стохастического градиента.
SymbolicSgdLogisticRegressionBinaryTrainer.Options	Параметры для , SymbolicSgdLogisticRegressionBinaryTrainer используемые в SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).
TrainerEstimatorBase<TTransformer,TModel>	Представляет собой базовый класс для "простого инструктора". "Простой тренер" принимает один столбец признаков и один столбец меток, также необязательно столбец веса. Он создает "преобразователь прогнозирования".
TrainerEstimatorBaseWithGroupId<TTransformer,TModel>	Представляет собой базовый класс для "простого инструктора". "Простой тренер" принимает один столбец признаков и один столбец меток, также необязательно столбец веса. Он создает "преобразователь прогнозирования".
TrainerInputBase	Базовый класс для всех входных данных инструктора.
TrainerInputBaseWithGroupId	Базовый класс для всех входных данных инструктора, поддерживающих столбец группы.
TrainerInputBaseWithLabel	Базовый класс для всех входных данных инструктора, поддерживающих столбец Label.
TrainerInputBaseWithWeight	Базовый класс для всех входных данных тренера, поддерживающих столбец веса.
TweedieLoss	Потери Tweedie, основанные на логарифмовой вероятности распределения Tweedie. Эта функция потерь используется в регрессии Tweedie.
UnsupervisedTrainerInputBaseWithWeight	Базовый класс для всех неконтролируемых входных данных инструктора, поддерживающих столбец веса.

Структуры

LsrDecay.LearningRateSchedulerItem

Эта структура представляет тип элемента планировщика скорости обучения

Интерфейсы

ICalculateFeatureContribution	Обеспечивает поддержку вычисления вклада функций по параметрам модели.
IClassificationLoss	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
ILossFunction<TOutput,TLabel>	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
IRegressionLoss	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
IScalarLoss	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
ISupportSdcaClassificationLoss	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
ISupportSdcaLoss	Функция потерь может знать, что решение близкой формы к оптимальному двойному обновлению Ref: Sec(6.2) http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf
ISupportSdcaRegressionLoss	Пространство имен, содержащее средства обучения, параметры модели и служебные программы.
ITrainerEstimator<TTransformer,TModel>	Интерфейс для оценщика инструктора.

Перечисления

KMeansTrainer.InitializationAlgorithm

Пространство имен, содержащее средства обучения, параметры модели и служебные программы.