Microsoft.ML.Trainers 命名空间

包含训练程序、模型参数和实用工具的命名空间。

类

AveragedLinearOptions	平均线性训练器的参数类。
AveragedLinearTrainer<TTransformer,TModel>	平均线性训练器的基类。
AveragedPerceptronTrainer	使用 IEstimator<TTransformer> 使用平均感知器训练的线性二元分类模型来预测目标的 。
AveragedPerceptronTrainer.Options	AveragedPerceptronTrainer中所用的 AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)的选项。
CoefficientStatistics	表示包含有关计算模型参数的统计信息的系数统计信息对象。
ComputeLogisticRegressionStandardDeviation	计算进一步计算标准偏差、p 值和 z 分数所需的每个非零训练权重的标准偏差矩阵。 在使用 Intel 数学内核库的 Microsoft.ML.Mkl.Components 包中使用此类的实现。 由于存在正则化，因此使用近似值来计算定型线性系数的方差。
ComputeLRTrainingStdThroughMkl	包含训练程序、模型参数和实用工具的命名空间。
ExpLoss	指数损失，通常用于分类任务。
ExponentialLRDecay	此类实现指数学习速率衰减。 从 tensorflow 文档实现。 源： https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay 学习率的默认值和实现来自 Tensorflow Slim 模型测试。 源： https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
FeatureContributionCalculator	支持特征贡献计算。
FieldAwareFactorizationMachineModelParameters	的 FieldAwareFactorizationMachineTrainer模型参数。
FieldAwareFactorizationMachinePredictionTransformer	包含训练程序、模型参数和实用工具的命名空间。
FieldAwareFactorizationMachineTrainer	使用 IEstimator<TTransformer> 现场感知分解机模型预测目标，该模型使用随机梯度方法训练。
FieldAwareFactorizationMachineTrainer.Options	FieldAwareFactorizationMachineTrainer.Options ， FieldAwareFactorizationMachineTrainer 如 在 中使用 FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)。
HingeLoss	铰链损失，通常用于分类任务。
KMeansModelParameters	包含训练程序、模型参数和实用工具的命名空间。
KMeansTrainer	IEstimator<TTransformer>用于训练 KMeans 群集的
KMeansTrainer.Options	KMeansTrainerKMeansTrainer 中使用的 选项 (选项) 。
LbfgsLogisticRegressionBinaryTrainer	使用 IEstimator<TTransformer> 使用 L-BFGS 方法训练的线性逻辑回归模型来预测目标的 。
LbfgsLogisticRegressionBinaryTrainer.Options	LbfgsLogisticRegressionBinaryTrainer中所用的 的选项LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
LbfgsMaximumEntropyMulticlassTrainer	使用 IEstimator<TTransformer> 使用 L-BFGS 方法训练的最大熵多类分类器来预测目标。
LbfgsMaximumEntropyMulticlassTrainer.Options	LbfgsMaximumEntropyMulticlassTrainer.Options ， LbfgsMaximumEntropyMulticlassTrainer 如 在 中使用 LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)。
LbfgsPoissonRegressionTrainer	用于 IEstimator<TTransformer> 训练泊松回归模型的 。
LbfgsPoissonRegressionTrainer.Options	LbfgsPoissonRegressionTrainerLbfgsPoissonRegression 中使用的 选项 (选项) 。
LbfgsTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	派生自LbfgsTrainerBase<TOptions,TTransformer,TModel> 的训练器估算器的基选项类。
LbfgsTrainerBase<TOptions,TTransformer,TModel>	基于 L-BFGS 的训练器的基类。
LdSvmModelParameters	包含训练程序、模型参数和实用工具的命名空间。
LdSvmTrainer	使用 IEstimator<TTransformer> 使用本地深度 SVM 训练的非线性二元分类模型来预测目标的 。
LdSvmTrainer.Options	包含训练程序、模型参数和实用工具的命名空间。
LearningRateScheduler	此抽象类定义学习速率计划程序。
LinearBinaryModelParameters	线性二进制训练器估算器的模型参数类。
LinearModelParameters	线性模型参数的基类。
LinearModelParameterStatistics	线性模型参数的统计信息。
LinearMulticlassModelParameters	多类分类器的线性模型。 它输出其所有线性模型的原始分数，并且不提供可能输出。
LinearMulticlassModelParametersBase	多类分类器的常见线性模型。 LinearMulticlassModelParameters 每个类包含一个线性模型。
LinearRegressionModelParameters	线性回归的模型参数。
LinearSvmTrainer	用于 IEstimator<TTransformer> 使用线性 SVM 训练的线性二元分类模型预测目标的 。
LinearSvmTrainer.Options	LinearSvmTrainer中所用的 LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)的选项。
LinearTrainerBase<TTransformer,TModel>	包含训练程序、模型参数和实用工具的命名空间。
LogLoss	对数损失，也称为交叉熵损失。 它通常用于分类任务。
LsrDecay	此类实现线性缩放规则和 LR 衰减。 从 Tensorflow Slim 中的 RESNET-CIFAR 基准测试中采用的实现。 https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py
MaximumEntropyModelParameters	多类分类器的线性最大熵模型。 它输出类概率。 此模型也称为多项式逻辑回归。 有关详细信息，请参阅 https://en.wikipedia.org/wiki/Multinomial_logistic_regression 。
MetaMulticlassTrainer<TTransformer,TModel>	包含训练程序、模型参数和实用工具的命名空间。
ModelParametersBase<TOutput>	所有模型参数的泛型基类。
ModelStatisticsBase	线性模型参数的统计信息。
NaiveBayesMulticlassModelParameters	的 NaiveBayesMulticlassTrainer模型参数。
NaiveBayesMulticlassTrainer	用于 IEstimator<TTransformer> 训练支持二进制特征值的多类 Naive Bayes 模型的 。
OlsModelParameters	的 OlsTrainer模型参数。
OlsTrainer	IEstimator<TTransformer>用于使用普通最小二乘法训练线性回归模型的 (OLS) ，用于估算线性回归模型的参数。
OlsTrainer.Options	OlsTrainerOls (选项) 中使用的 选项
OneVersusAllModelParameters	的 OneVersusAllTrainer模型参数。
OneVersusAllTrainer	用于 IEstimator<TTransformer> 训练使用指定二元分类器的一对多多类分类器。
OnlineGradientDescentTrainer	IEstimator<TTransformer>用于使用联机梯度下降训练线性回归模型的 (OGD) ，用于估算线性回归模型的参数。
OnlineGradientDescentTrainer.Options	OnlineGradientDescentTrainerOnlineGradientDescent (Options) 中使用的 选项。
OnlineLinearOptions	联机线性训练器的参数类。
OnlineLinearTrainer<TTransformer,TModel>	联机线性定型的基类。 可以使用其他数据以增量方式更新在线培训师。
PairwiseCouplingModelParameters	的 PairwiseCouplingTrainer模型参数。
PairwiseCouplingTrainer	用于 IEstimator<TTransformer> 训练使用指定二元分类器的成对耦合多类分类器的 。
PcaModelParameters	的 RandomizedPcaTrainer模型参数。
PoissonLoss	泊松回归的泊松损失函数。
PoissonRegressionModelParameters	泊松回归的模型参数。
PolynomialLRDecay	此类实现多项式学习速率衰减。 从 tensorflow 文档实现。 源： https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay 学习率的默认值和实现来自 Tensorflow Slim 模型测试。 源： https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py
PriorModelParameters	的 PriorTrainer模型参数。
PriorTrainer	用于 IEstimator<TTransformer> 使用二元分类模型预测目标的 。
RandomizedPcaTrainer	用于 IEstimator<TTransformer> 使用随机 SVD 算法训练近似 PCA 的 。
RandomizedPcaTrainer.Options	RandomizedPcaTrainerRandomizedPca (Options) 中使用的 选项。
RegressionModelParameters	回归的模型参数。
SdcaBinaryTrainerBase<TModelParameters>.BinaryOptionsBase	的选项 SdcaBinaryTrainerBase<TModelParameters>。
SdcaBinaryTrainerBase<TModelParameters>	SDCA 是一种通用训练算法，用于 (泛化) 线性模型，例如支持向量机、线性回归、逻辑回归等。 SDCA 二元分类训练器系列包括几个密封成员： (1) SdcaNonCalibratedBinaryTrainer 支持常规损失函数并返回 LinearBinaryModelParameters。 (2) SdcaLogisticRegressionBinaryTrainer 实质上训练正则化逻辑回归模型。 由于逻辑回归自然提供概率输出，因此生成的模型的类型为 CalibratedModelParametersBase<TSubModel,TCalibrator>。 其中 TSubModel 为 LinearBinaryModelParameters ，为 PlattCalibratorTCalibrator 。
SdcaLogisticRegressionBinaryTrainer	用于 IEstimator<TTransformer> 使用随机双坐标上升方法训练二元逻辑回归分类模型的 。 训练的模型 经过校准 ，可以通过将线性函数的输出值馈送到 来 PlattCalibrator生成概率。
SdcaLogisticRegressionBinaryTrainer.Options	SdcaLogisticRegressionBinaryTrainerSdcaLogisticRegression 中使用的 选项 (选项) 。
SdcaMaximumEntropyMulticlassTrainer	使用 IEstimator<TTransformer> 最大熵多类分类器预测目标的 。 训练的模型 MaximumEntropyModelParameters 生成类的概率。
SdcaMaximumEntropyMulticlassTrainer.Options	SdcaMaximumEntropyMulticlassTrainer.Options ， SdcaMaximumEntropyMulticlassTrainer 用于 SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
SdcaMulticlassTrainerBase<TModel>.MulticlassOptions	的选项 SdcaMulticlassTrainerBase<TModel>。
SdcaMulticlassTrainerBase<TModel>	使用 IEstimator<TTransformer> 使用坐标下降方法训练的线性多类分类器模型预测目标的 。 根据所使用的损失函数，训练的模型可以是，例如，最大熵分类器或多类支持向量机。
SdcaNonCalibratedBinaryTrainer	用于 IEstimator<TTransformer> 使用随机双坐标上升方法训练二元逻辑回归分类模型的 。
SdcaNonCalibratedBinaryTrainer.Options	的选项 SdcaNonCalibratedBinaryTrainer。
SdcaNonCalibratedMulticlassTrainer	使用IEstimator<TTransformer> 线性多类分类器预测目标的 。 训练的模型 LinearMulticlassModelParameters 生成类的概率。
SdcaNonCalibratedMulticlassTrainer.Options	SdcaNonCalibratedMulticlassTrainer.Options ， SdcaNonCalibratedMulticlassTrainer 如 在 中使用 SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)。
SdcaRegressionTrainer	用于 IEstimator<TTransformer> 使用随机双坐标上升方法训练回归模型的 。
SdcaRegressionTrainer.Options	的选项 SdcaRegressionTrainer。
SdcaTrainerBase<TOptions,TTransformer,TModel>.OptionsBase	基于 SDCA 的训练程序的选项。
SdcaTrainerBase<TOptions,TTransformer,TModel>	包含训练程序、模型参数和实用工具的命名空间。
SgdBinaryTrainerBase<TModel>.OptionsBase	包含训练程序、模型参数和实用工具的命名空间。
SgdBinaryTrainerBase<TModel>	包含训练程序、模型参数和实用工具的命名空间。
SgdCalibratedTrainer	用于 IEstimator<TTransformer> 使用并行随机梯度方法训练逻辑回归的 。 训练的模型 经过校准 ，可以通过将线性函数的输出值馈送到 来 PlattCalibrator生成概率。
SgdCalibratedTrainer.Options	SgdCalibratedTrainer在 SgdCalibrated (Options) 中使用的 选项。
SgdNonCalibratedTrainer	用于 IEstimator<TTransformer> 使用并行随机梯度方法训练逻辑回归的 。
SgdNonCalibratedTrainer.Options	SgdNonCalibratedTrainer在 SgdNonCalibrated (Options) 中使用的选项。
SmoothedHingeLoss	函数的 HingeLoss 平滑版本，通常用于分类任务。
SquaredLoss	平方损失，通常用于回归任务。
StochasticTrainerBase<TTransformer,TModel>	包含训练程序、模型参数和实用工具的命名空间。
SymbolicSgdLogisticRegressionBinaryTrainer	使用 IEstimator<TTransformer> 线性二元分类模型预测目标，该模型使用符号随机梯度下降进行训练。
SymbolicSgdLogisticRegressionBinaryTrainer.Options	SymbolicSgdLogisticRegressionBinaryTrainer中所用的 SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)的选项。
TrainerEstimatorBase<TTransformer,TModel>	这表示“简单训练器”的基本类。 “简单训练程序”接受一个特征列和一个标签列，也可以选择一个权重列。 它生成“预测转换器”。
TrainerEstimatorBaseWithGroupId<TTransformer,TModel>	这表示“简单训练器”的基本类。 “简单训练程序”接受一个特征列和一个标签列，也可以选择一个权重列。 它生成“预测转换器”。
TrainerInputBase	所有训练器输入的基类。
TrainerInputBaseWithGroupId	支持组列的所有训练器输入的基类。
TrainerInputBaseWithLabel	支持 Label 列的所有训练器输入的基类。
TrainerInputBaseWithWeight	支持权重列的所有训练器输入的基类。
TweedieLoss	Tweedie 损失，基于 Tweedie 分布的对数可能性。 此损失函数用于 Tweedie 回归。
UnsupervisedTrainerInputBaseWithWeight	支持权重列的所有不受监督的训练器输入的基类。

结构

LsrDecay.LearningRateSchedulerItem

此结构表示学习速率计划程序项类型

接口

ICalculateFeatureContribution	允许通过模型参数支持特征贡献计算。
IClassificationLoss	包含训练程序、模型参数和实用工具的命名空间。
ILossFunction<TOutput,TLabel>	包含训练程序、模型参数和实用工具的命名空间。
IRegressionLoss	包含训练程序、模型参数和实用工具的命名空间。
IScalarLoss	包含训练程序、模型参数和实用工具的命名空间。
ISupportSdcaClassificationLoss	包含训练程序、模型参数和实用工具的命名空间。
ISupportSdcaLoss	损失函数可能知道最佳双更新的接近形式解决方案 Ref： Sec (6.2) http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf
ISupportSdcaRegressionLoss	包含训练程序、模型参数和实用工具的命名空间。
ITrainerEstimator<TTransformer,TModel>	训练器估算器的接口。

枚举

KMeansTrainer.InitializationAlgorithm

包含训练程序、模型参数和实用工具的命名空间。