TransformsCatalog 类

定义

命名空间:

Microsoft.ML

程序集:

Microsoft.ML.Data.dll

包:

Microsoft.ML v2.0.0

用于 MLContext 创建转换组件的实例的类。

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

继承

Object

TransformsCatalog

属性

Categorical	分类数据上的操作列表。
Conversion	数据类型转换的操作列表。
FeatureSelection	用于根据某些条件选择功能的操作列表。
Text	用于处理文本数据的操作列表。

扩展方法

CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	创建一个 CustomMappingEstimator<TSrc,TDst>，用于将输入列的自定义映射应用于输出列。
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	创建一个 StatefulCustomMappingEstimator<TSrc,TDst,TState>，它将输入列的自定义映射应用于输出列，同时允许按游标状态。
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	创建一个 FeatureContributionCalculatingEstimator 计算输入向量的每个特征的特定于模型的贡献分数。
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	创建一个 FeatureContributionCalculatingEstimator 计算输入向量的每个特征的特定于模型的贡献分数。 支持校准的模型。
Expression(TransformsCatalog, String, String, String[])	创建 ExpressionEstimator。
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	创建一个MissingValueIndicatorEstimator，用于将数据从指定InputColumnName列复制到新列： OutputColumnName
IndicateMissingValues(TransformsCatalog, String, String)	创建一个MissingValueIndicatorEstimator，用于扫描列inputColumnName中指定的数据，并使用 bools 的向量填充指定的outputColumnName新列，其中 i-th bool 具有值（如果列数据中的 i-th 元素缺少值truefalse，否则）。
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	创建一个 ColumnCopyingEstimator，它将数据从指定的 InputColumnName 列复制到新列中： OutputColumnName 并替换其中缺失的值，并按该 replacementMode列替换该列中的缺失值。
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	创建一个 MissingValueReplacingEstimator，它将数据从指定的 inputColumnName 列复制到新列中： outputColumnName 并替换其中缺失的值，并按该 replacementMode列替换该列中的缺失值。
ConvertToGrayscale(TransformsCatalog, String, String)	创建一个ImageGrayscalingEstimator，用于将指定InputColumnName列中的图像转换为新列中的灰度图像： OutputColumnName
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	创建一个VectorToImageConvertingEstimator，用于从指定列到新列的数据inputColumnName创建图像： outputColumnName
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	创建一个ImagePixelExtractingEstimator，用于将像素值从列inputColumnName中指定的数据提取到新列： outputColumnName
LoadImages(TransformsCatalog, String, String, String)	创建一个ImageLoadingEstimator，将数据从图像中指定的inputColumnName列加载到新列： outputColumnName
LoadRawImageBytes(TransformsCatalog, String, String, String)	创建一个ImageLoadingEstimator，用于将数据从指定为原始字节图像的inputColumnName列加载到新列： outputColumnName
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	创建一个ImageResizingEstimator，用于将图像从指定inputColumnName列的大小调整为新列： outputColumnName
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	创建一个 ApproximatedKernelMappingEstimator 将输入向量映射到低维特征空间，其中内部产品近似于移位固定内核函数。
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	将用具有已知协变矩阵的随机变量向量填充的列放入一组新变量中，该变量的协变是标识矩阵，这意味着它们不相关，每个变量都具有方差 1。
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	创建一个 NormalizingEstimator，通过将数据分配到密度相等的箱来规范化。
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	创建一个 NormalizingEstimator，通过将数据分配到密度相等的箱来规范化。
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	创建一个 GlobalContrastNormalizingEstimator，用于对单独应用全局对比度规范化的列进行规范化。 true设置为 ensureZeroMean ，将应用预处理步骤，使指定的列的平均值为零向量。
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	创建一个 NormalizingEstimator，它根据数据的对数的计算平均值和方差进行规范化。
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	创建一个 NormalizingEstimator，它根据数据的对数的计算平均值和方差进行规范化。
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	创建一个 NormalizingEstimator，它根据数据的对数的计算平均值和方差进行规范化。
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	创建一个 NormalizingEstimator，它根据数据的对数的计算平均值和方差进行规范化。
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	创建一个 LpNormNormalizingEstimator规范化 (将输入列中的矢量) 向量规范化为单位规范。 使用的规范的类型由 norm该函数定义。 设置为 ensureZeroMeantrue，将应用预处理步骤，使指定列的平均值为零向量。
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	创建一个 NormalizingEstimator，它根据数据的计算平均值和方差规范化。
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	创建一个 NormalizingEstimator，它根据数据的计算平均值和方差规范化。
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	创建一个 NormalizingEstimator，该规范化基于观察到的数据最小值和最大值。
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	创建一个 NormalizingEstimator，该规范化基于观察到的数据最小值和最大值。
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	创建一个 NormalizingEstimator，它通过使用可靠到离群值的统计信息来规范化，方法是将数据居中 0 左右 (删除中值) ，并根据分位范围缩放数据， (默认为四分位数范围) 。
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	创建一个 NormalizingEstimator，它通过使用可靠到离群值的统计信息来规范化，方法是将数据居中 0 左右 (删除中值) ，并根据分位范围缩放数据， (默认为四分位数范围) 。
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	创建一个 NormalizingEstimator，它根据与列的关联 labelColumnName 将数据分配到箱中来规范化。
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	创建一个 NormalizingEstimator，它根据与列的关联 labelColumnName 将数据分配到箱中来规范化。
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	使用指定的OnnxOptions值创建一个 OnnxScoringEstimator 。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于输入列。 输入/输出列是根据提供的 ONNX 模型的输入/输出列确定的。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于输入列。 输入/输出列是根据提供的 ONNX 模型的输入/输出列确定的。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于 inputColumnName 列。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于 inputColumnName 列。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于 inputColumnNames 列。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于 inputColumnNames 列。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	创建一个 OnnxScoringEstimator，该模型将预先训练的 Onnx 模型应用于 inputColumnNames 列。 请参阅 OnnxScoringEstimator 详细了解必要的依赖项，以及如何在 GPU 上运行它。
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Create DnnImageFeaturizerEstimator，它应用一个预先训练的 DNN 模型 DnnImageModelSelector 来特征化图像。
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	初始化 PrincipalComponentAnalyzer 的新实例。
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	创建 SrCnnAnomalyEstimator，它使用 SRCNN 算法检测时间异常。
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	创建 SsaChangePointEstimator，它使用 单一光谱分析 (SSA) 预测时序的变化点。
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	已过时. 创建 SsaChangePointEstimator，它使用 单一光谱分析 (SSA) 预测时序的变化点。
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	创建 IidChangePointEstimator，它基于自适应内核密度估计和马丁加尔分数预测 独立相同分布 (i.i.d.) 时序中的更改点。
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	已过时. 创建 IidChangePointEstimator，它基于自适应内核密度估计和马丁加尔分数预测 独立相同分布 (i.i.d.) 时序中的更改点。
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Create IidSpikeEstimator，它根据自适应内核密度估计和马丁加尔分数预测 独立分布 (i.i.d.) 时序中的峰值。
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	已过时. Create IidSpikeEstimator，它根据自适应内核密度估计和马丁加尔分数预测 独立分布 (i.i.d.) 时序中的峰值。
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	创建 SsaSpikeEstimator，它使用 单数光谱分析 (SSA) 预测时序峰值。
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	已过时. 创建 SsaSpikeEstimator，它使用 单数光谱分析 (SSA) 预测时序峰值。
Concatenate(TransformsCatalog, String, String[])	创建一个 ColumnConcatenatingEstimator，该列将一个或多个输入列连接到新的输出列中。
CopyColumns(TransformsCatalog, String, String)	创建一个ColumnCopyingEstimator，用于将数据从指定inputColumnName列复制到新列： outputColumnName
DropColumns(TransformsCatalog, String[])	创建一个 ColumnSelectingEstimator，该列表从中 IDataView删除给定的列列表。 未指定的任何列都将保留在输出中。
SelectColumns(TransformsCatalog, String[])	创建一个 ColumnSelectingEstimator，该列表将给定的列列表保留在其中 IDataView 并删除其他列。
SelectColumns(TransformsCatalog, String[], Boolean)	创建一个 ColumnSelectingEstimator，该列表将给定的列列表保留在其中 IDataView 并删除其他列。
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Create FastForestBinaryFeaturizationEstimator，用于 FastForestBinaryTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Create FastForestRegressionFeaturizationEstimator，用于 FastForestRegressionTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Create FastTreeBinaryFeaturizationEstimator，用于 FastTreeBinaryTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Create FastTreeRankingFeaturizationEstimator，用于 FastTreeRankingTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Create FastTreeRegressionFeaturizationEstimator，用于 FastTreeRegressionTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Create FastTreeTweedieFeaturizationEstimator，用于 FastTreeTweedieTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	创建 PretrainedTreeFeaturizationEstimator，它生成给定的 TreeEnsembleModelParameters基于树的特征。