Microsoft.ML.Trainers Namespace

Argumentklasse für durchschnittliche lineare Trainer.

Basisklasse für durchschnittliche lineare Trainer.

Das IEstimator<TTransformer> Ziel mit einem linearen binären Klassifikationsmodell, das mit dem durchschnittlichen Perceptron trainiert wurde.

Optionen für die AveragedPerceptronTrainer wie in AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Stellt ein Koeffizientenstatistikobjekt dar, das Statistiken zu den berechneten Modellparametern enthält.

Berechnet die Standardabweichungsmatrix der einzelnen Nicht-Null-Trainingsgewichte, die erforderlich sind, um die Standardabweichung, den P-Wert und den Z-Score weiter zu berechnen. Verwenden Sie die Implementierung dieser Klasse im Microsoft.ML.Mkl.Components-Paket, das die Intel Math Kernel Library verwendet. Aufgrund der Normalisierung wird eine Annäherung verwendet, um die Varianzen der trainierten linearen Koeffizienten zu berechnen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Exponentieller Verlust, der häufig in Klassifizierungsaufgaben verwendet wird.

Diese Klasse implementiert exponentielle Abklingrate. Implementiert aus der Tensorflow-Dokumentation. Quelle: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Standardwerte und Implementierung der Lernrate stammen aus Tensorflow Slim-Modelltests. Quelle : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Unterstützung für die Berechnung von Featurebeiträgen.

Modellparameter für FieldAwareFactorizationMachineTrainer.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Das IEstimator<TTransformer> Ziel mithilfe eines feldfähigen Faktorisierungsmaschinenmodells, das mithilfe einer stochastischen Farbverlaufsmethode trainiert wird.

FieldAwareFactorizationMachineTrainer.Options für FieldAwareFactorizationMachineTrainer die Verwendung in FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Hinge Loss, häufig in Klassifizierungsaufgaben verwendet.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Schulung IEstimator<TTransformer> eines KMeans-Clusterers

Optionen für die KMeansTrainer in KMeansTrainer(Options).

Das IEstimator<TTransformer> Ziel mithilfe eines linearen Regressionsmodells, das mit der L-BFGS-Methode trainiert wurde, vorherzusagen.

Optionen für die LbfgsLogisticRegressionBinaryTrainer in LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Die IEstimator<TTransformer> Vorhersage eines Ziels mithilfe eines mit der L-BFGS-Methode trainierten maximal entropie-Klassifizierers mit mehreren Klassen.

LbfgsMaximumEntropyMulticlassTrainer.Options für LbfgsMaximumEntropyMulticlassTrainer die Verwendung in LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

Das IEstimator<TTransformer> zur Schulung eines Poisson Regressionsmodells.

Optionen für die LbfgsPoissonRegressionTrainer in LbfgsPoissonRegression(Options).

Basisoptionenklasse für Trainerstimme, vonLbfgsTrainerBase<TOptions,TTransformer,TModel> denen abgeleitet wird.

Basisklasse für L-BFGS-basierte Trainer.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Das IEstimator<TTransformer> Ziel mithilfe eines nicht linearen binären Klassifizierungsmodells, das mit Local Deep SVM trainiert wurde, vorherzusagen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Dieser abstrakte Kurs definiert einen Lernratenplaner.

Die Modellparameterklasse für lineare binäre Trainerschätzungen.

Basisklasse für lineare Modellparameter.

Statistiken für lineare Modellparameter.

Lineares Modell von Klassifizierern mit mehreren Klassen. Es gibt Rohergebnisse aller linearen Modelle aus, und es wird keine probablistische Ausgabe bereitgestellt.

Allgemeines lineares Modell von Klassifizierern mit mehreren Klassen. LinearMulticlassModelParameters enthält ein einzelnes lineares Modell pro Klasse.

Modellparameter für lineare Regression.

Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit Linear SVM trainiert wurde, vorherzusagen.

Optionen für die LinearSvmTrainer wie in LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Der Log Loss, auch bekannt als Cross Entropy Loss. Sie wird häufig in Klassifizierungsaufgaben verwendet.

Diese Klasse implementiert lineare Skalierungsregel und LR-Verfall. Umsetzung aus RESNET-CIFAR Benchmarktest in Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Die IEstimator<TTransformer> zu prognostizierenden Elemente in einer Matrix mithilfe der Matrixfaktorisierung (auch als Typ der gemeinsamen Filterung bezeichnet).

Optionen für die MatrixFactorizationTrainer in MatrixFactorization(Options) verwendeten Optionen.

Lineares maximales Entropiemodell von Klassifizierern mit mehreren Klassen. Es gibt Klassenwahrscheinlichkeiten aus. Dieses Modell wird auch als multinomiale logistische Regression bezeichnet. Details finden Sie unter https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Generische Basisklasse für alle Modellparameter.

Statistiken für lineare Modellparameter.

Modellparameter für NaiveBayesMulticlassTrainer.

Die IEstimator<TTransformer> Schulung eines multiklassigen Naive Bayes-Modells, das binäre Featurewerte unterstützt.

Modellparameter für OlsTrainer.

Zum IEstimator<TTransformer> Trainieren eines linearen Regressionsmodells mit gewöhnlichen kleinsten Quadraten (OLS) zur Schätzung der Parameter des linearen Regressionsmodells.

Optionen für die OlsTrainer in Ols(Options) verwendeten Optionen

Modellparameter für OneVersusAllTrainer.

Die IEstimator<TTransformer> Schulung eines 1-versus-all-Klassenklassifizierers, der den angegebenen binären Klassifizierer verwendet.

Die IEstimator<TTransformer> Schulung eines linearen Regressionsmodells mithilfe von Online Gradient Descent (OGD) zum Abschätzen der Parameter des linearen Regressionsmodells.

Optionen für die OnlineGradientDescentTrainer in OnlineGradientDescent(Options).

Arguments-Klasse für lineare Onlinetrainer.

Basisklasse für online lineare Trainer. Online-Trainer können inkrementell mit zusätzlichen Daten aktualisiert werden.

Modellparameter für PairwiseCouplingTrainer.

Für IEstimator<TTransformer> die Schulung eines gekoppelten Klassifizierers mit mehreren Klassen, der den angegebenen binären Klassifizierer verwendet.

Modellparameter für RandomizedPcaTrainer.

Poisson-Verlustfunktion für Poisson Regression.

Modellparameter für Poisson Regression.

Diese Klasse implementiert den Verfall der Polynomen-Lernrate. Implementiert aus der Tensorflow-Dokumentation. Quelle: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Standardwerte und Implementierung der Lernrate stammen aus Tensorflow Slim-Modelltests. Quelle : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Modellparameter für PriorTrainer.

Die IEstimator<TTransformer> für die Vorhersage eines Ziels mithilfe eines binären Klassifizierungsmodells.

Für IEstimator<TTransformer> die Schulung eines ungefähren PCA mit randomisiertem SVD-Algorithmus.

Optionen für die RandomizedPcaTrainer in RandomizedPca(Options).

Modellparameter für Regression.

Optionen für SdcaBinaryTrainerBase<TModelParameters>.

SDCA ist ein allgemeiner Schulungsalgorithmus für (generalisierte) lineare Modelle wie Unterstützungsvektormaschine, lineare Regression, logistische Regression usw. SDCA binary classification trainer family enthält mehrere versiegelte Member: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und Rückgaben LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein reguläres Logistisches Regressionsmodell. Da die logistische Regression natürlich eine Wahrscheinlichkeitsausgabe liefert, ist CalibratedModelParametersBase<TSubModel,TCalibrator>der Typ dieses generierten Modells . wo TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator.

Die IEstimator<TTransformer> Schulung eines binären Regressionsklassifizierungsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode. Das trainierte Modell wird kalibriert und kann die Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion zu einer PlattCalibratorgefüttert wird.

Optionen für die SdcaLogisticRegressionBinaryTrainer in SdcaLogisticRegression(Options).

Der IEstimator<TTransformer> zu prognostizierende Zielwert mit einem maximalen Klassifizierungsklassifizierer für Entropie mit mehreren Klassen. Das trainierte Modell MaximumEntropyModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

SdcaMaximumEntropyMulticlassTrainer.Options für SdcaMaximumEntropyMulticlassTrainer die Verwendung in SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Optionen für die SdcaMulticlassTrainerBase<TModel>.

Das IEstimator<TTransformer> Ziel mithilfe eines linearen Mehrklassenklassifizierungsmodells, das mit einer Koordinatenabstiegsmethode trainiert wurde, vorherzusagen. Je nach verwendeter Verlustfunktion kann das trainierte Modell z. B. ein maximaler Entropieklassifizierer oder eine Vektormaschine mit mehrfacher Unterstützung sein.

Die IEstimator<TTransformer> Schulung eines binären Regressionsklassifizierungsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode.

Optionen für die SdcaNonCalibratedBinaryTrainer.

DasIEstimator<TTransformer> Ziel mit einem linearen Klassifizierer mit mehreren Klassen vorherzusagen. Das trainierte Modell LinearMulticlassModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

SdcaNonCalibratedMulticlassTrainer.Options für SdcaNonCalibratedMulticlassTrainer die Verwendung in SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

Das IEstimator<TTransformer> zur Schulung eines Regressionsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode.

Optionen für die SdcaRegressionTrainer.

Optionen für die SDCA-basierten Trainer.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die IEstimator<TTransformer> zur Schulung der logistischen Regression mit einer parallelen stochastischen Farbverlaufsmethode. Das trainierte Modell wird kalibriert und kann die Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion zu einer PlattCalibratorgefüttert wird.

Optionen für die SgdCalibratedTrainer in SgdCalibrated(Options).

Die IEstimator<TTransformer> zur Schulung der logistischen Regression mit einer parallelen stochastischen Farbverlaufsmethode.

Optionen für die SgdNonCalibratedTrainer in SgdNonCalibrated(Options).

Eine reibungslose Version der HingeLoss Funktion, die häufig in Klassifizierungsaufgaben verwendet wird.

Der Quadratverlust, der häufig in Regressionsaufgaben verwendet wird.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Das IEstimator<TTransformer> Ziel mithilfe eines linearen binären Klassifizierungsmodells, das mit dem symbolischen stochastischen Farbverlaufsabstieg trainiert wurde.

Optionen für die SymbolicSgdLogisticRegressionBinaryTrainer wie in SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Dies stellt eine Grundklasse für "simple Trainer" dar. Ein "einfacher Trainer" akzeptiert eine Featurespalte und eine Beschriftungsspalte, optional auch eine Gewichtungsspalte. Es erzeugt einen "Vorhersagetransformor".

Dies stellt eine Grundklasse für "simple Trainer" dar. Ein "einfacher Trainer" akzeptiert eine Featurespalte und eine Beschriftungsspalte, optional auch eine Gewichtungsspalte. Es erzeugt einen "Vorhersagetransformor".

Die Basisklasse für alle Trainereingaben.

Die Basisklasse für alle Trainereingaben, die eine Gruppenspalte unterstützen.

Die Basisklasse für alle Trainereingaben, die eine Bezeichnungsspalte unterstützen.

Die Basisklasse für alle Trainereingaben, die eine Gewichtungsspalte unterstützen.

Tweedie-Verlust basierend auf der Protokollwahrscheinlichkeit der Tweedie-Verteilung. Diese Verlustfunktion wird in tweedie Regression verwendet.

Die Basisklasse für alle nicht überwachten Trainereingaben, die eine Gewichtungsspalte unterstützen.

Diese Struktur stellt einen Elementtyp des Lernratenplanungselements dar.

Ermöglicht die Unterstützung für die Berechnung von Featurebeiträgen durch Modellparameter.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die Verlustfunktion kann die Nahformlösung für die optimale duale Update Ref: Sec(6.2) von http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Schnittstelle für den Trainer Estimator.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Typ der Verlustfunktion.