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。

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

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.OptionsFieldAwareFactorizationMachineTrainer 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.OptionsLbfgsMaximumEntropyMulticlassTrainer 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

MatrixFactorizationTrainer

使用 IEstimator<TTransformer> 矩阵分解预测矩阵中的元素 (也称为 协作筛选) 类型。

MatrixFactorizationTrainer.Options

MatrixFactorizationTrainer在 MatrixFactorization (Options) 中使用的 选项

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

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

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

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

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

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

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 TSubModelLinearBinaryModelParameters ,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.OptionsSdcaMaximumEntropyMulticlassTrainer 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.OptionsSdcaNonCalibratedMulticlassTrainer 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

SgdCalibratedTrainerSgdCalibrated (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。

MatrixFactorizationTrainer.LossFunctionType

损失函数的类型。