Поделиться через


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

MatrixFactorizationTrainer

Объект IEstimator<TTransformer> для прогнозирования элементов в матрице с помощью матричной факторизации (также известного как тип совместной фильтрации).

MatrixFactorizationTrainer.Options

Параметры для , MatrixFactorizationTrainer используемые в MatrixFactorization(Options).

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.

MatrixFactorizationTrainer.LossFunctionType

Тип функции потерь.