共用方式為


BinaryClassificationCatalog.BinaryClassificationTrainers 類別

定義

用來 MLContext 建立二元分類定型器實例的類別。

public sealed class BinaryClassificationCatalog.BinaryClassificationTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBase
type BinaryClassificationCatalog.BinaryClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase
Public NotInheritable Class BinaryClassificationCatalog.BinaryClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase
繼承
BinaryClassificationCatalog.BinaryClassificationTrainers

擴充方法

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)

FieldAwareFactorizationMachineTrainer使用進階選項建立,其會使用透過布爾值標籤數據定型的現場感知分解機器來預測目標。

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)

建立 FieldAwareFactorizationMachineTrainer,其會使用透過布爾值標籤數據定型的現場感知分解機器來預測目標。

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)

建立 FieldAwareFactorizationMachineTrainer,其會使用透過布爾值標籤數據定型的現場感知分解機器來預測目標。

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)

LightGbmBinaryTrainer使用進階選項建立 ,其會使用漸層提升判定樹二進位分類來預測目標。

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)

從預先定型的 LightGBM 模型建立 LightGbmBinaryTrainer ,其會使用漸層提升判定樹二進位分類來預測目標。

LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)

建立 LightGbmBinaryTrainer,其會使用漸層提升判定樹二進位分類來預測目標。

SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)

使用 SymbolicSgdLogisticRegressionBinaryTrainer 進階選項建立 ,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。 隨機梯度下降 (SGD) 是一種反覆演算法,可將可區分的目標函式優化。 會 SymbolicSgdLogisticRegressionBinaryTrainer 使用 符號執行來平行處理 SGD。

SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)

建立 SymbolicSgdLogisticRegressionBinaryTrainer,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。 隨機梯度下降 (SGD) 是一種反覆演算法,可將可區分的目標函式優化。 會 SymbolicSgdLogisticRegressionBinaryTrainer 使用 符號執行來平行處理 SGD。

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)

AveragedPerceptronTrainer使用進階選項建立 ,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)

建立 , AveragedPerceptronTrainer其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

使用 LbfgsLogisticRegressionBinaryTrainer 進階選項建立 ,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。

LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)

建立 LbfgsLogisticRegressionBinaryTrainer,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)

LdSvmTrainer使用進階選項建立 ,以使用本機深度 SVM 模型預測目標。

LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)

建立 LdSvmTrainer,其會使用本機深層 SVM 模型來預測目標。

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)

使用 LinearSvmTrainer 進階選項建立 ,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。

LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)

建立 LinearSvmTrainer,其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。

Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)

建立 PriorTrainer,其會使用二元分類模型來預測目標。

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)

SdcaLogisticRegressionBinaryTrainer使用進階選項建立 ,以使用線性分類模型預測目標。

SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

建立 SdcaLogisticRegressionBinaryTrainer,其會使用線性分類模型來預測目標。

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)

SdcaNonCalibratedBinaryTrainer使用進階選項建立 ,其會使用透過布爾卷標數據定型的線性分類模型來預測目標。

SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

建立 SdcaNonCalibratedBinaryTrainer,其會使用線性分類模型來預測目標。

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)

SgdCalibratedTrainer使用進階選項建立 ,以使用線性分類模型預測目標。 隨機梯度下降 (SGD) 是一種反覆演算法,可將可區分的目標函式優化。

SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)

建立 SgdCalibratedTrainer,其會使用線性分類模型來預測目標。 隨機梯度下降 (SGD) 是一種反覆演算法,可將可區分的目標函式優化。

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)

SgdNonCalibratedTrainer使用進階選項建立 ,以使用線性分類模型預測目標。 隨機梯度下降 (SGD) 是一種反覆演算法,可將可區分的目標函式優化。

SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)

建立 SgdNonCalibratedTrainer,其會使用線性分類模型來預測目標。 隨機梯度下降 (SGD) 是一種反覆演算法,可將可區分的目標函式優化。

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)

FastForestBinaryTrainer使用進階選項建立 ,以使用判定樹回歸模型預測目標。

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)

建立 FastForestBinaryTrainer,其會使用判定樹回歸模型來預測目標。

FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)

FastTreeBinaryTrainer使用進階選項建立 ,其會使用判定樹二元分類模型來預測目標。

FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)

建立 FastTreeBinaryTrainer,其會使用判定樹二元分類模型來預測目標。

Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)

GamBinaryTrainer使用進階選項建立,使用一般化加法模型來預測目標, (GAM) 。

Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)

建立 GamBinaryTrainer,其會使用一般化加法模型來預測目標, (GAM) 。

適用於