Microsoft.ML.Trainers Espacio de nombres

Clase arguments para entrenadores lineales promedios.

Clase base para entrenadores lineales promedio.

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con el perceptrón promedio.

Opciones de como AveragedPerceptronTrainer se usa en AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Representa un objeto de estadísticas de coeficiente que contiene estadísticas sobre los parámetros del modelo calculado.

Calcula la matriz de desviación estándar de cada uno de los pesos de entrenamiento no cero, necesarios para calcular aún más la desviación estándar, el valor p y z-Score. Use la implementación de esta clase en el paquete Microsoft.ML.Mkl.Components que usa la biblioteca de kernels matemáticas de Intel. Debido a la existencia de regularización, se usa una aproximación para calcular las variaciones de los coeficientes lineales entrenados.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Pérdida exponencial, que se usa habitualmente en las tareas de clasificación.

Esta clase implementa la disminución de la velocidad de aprendizaje exponencial. Se implementa desde la documentación de tensorflow. Origen: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay los valores predeterminados y la implementación de la velocidad de aprendizaje proceden de las pruebas de modelo Slim de Tensorflow. Fuente : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Compatibilidad con el cálculo de la contribución de características.

Parámetros de modelo para FieldAwareFactorizationMachineTrainer.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

para IEstimator<TTransformer> predecir un destino mediante un modelo de máquina de factorización con reconocimiento de campos entrenado mediante un método de degradado estocástico.

FieldAwareFactorizationMachineTrainer.Options para FieldAwareFactorizationMachineTrainer como se usa en FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Pérdida de bisagra, que se usa normalmente en las tareas de clasificación.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

IEstimator<TTransformer> para entrenar un clúster de KMeans

Opciones de como KMeansTrainer se usa en KMeansTrainer(Options).

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de regresión logística lineal entrenado con el método L-BFGS.

Opciones de como LbfgsLogisticRegressionBinaryTrainer se usa en LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

para IEstimator<TTransformer> predecir un destino mediante un clasificador multiclase de entropía máximo entrenado con el método L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options para LbfgsMaximumEntropyMulticlassTrainer como se usa en LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

IEstimator<TTransformer> para entrenar un modelo de regresión de Poisson.

Opciones de como LbfgsPoissonRegressionTrainer se usa en LbfgsPoissonRegression(Options).

Clase de opciones base para estimadores de instructores derivados.LbfgsTrainerBase<TOptions,TTransformer,TModel>

Clase base para instructores basados en L-BFGS.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria no lineal entrenado con SVM profundo local.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Esta clase abstracta define un programador de velocidad de aprendizaje.

Clase de parámetros de modelo para estimadores de instructor binario lineal.

Clase base para parámetros de modelo lineal.

Estadísticas de parámetros de modelo lineal.

Modelo lineal de clasificadores multiclase. Genera puntuaciones sin procesar de todos sus modelos lineales y no se proporciona ninguna salida probablista.

Modelo lineal común de clasificadores multiclase. LinearMulticlassModelParameters contiene un único modelo lineal por clase.

Parámetros de modelo para la regresión lineal.

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con SVM lineal.

Opciones de como LinearSvmTrainer se usa en LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

La pérdida de registro, también conocida como pérdida de entropía cruzada. Normalmente se usa en las tareas de clasificación.

Esta clase implementa la regla de escalado lineal y la disminución de LR. Implementación adoptada de RESNET-CIFAR prueba comparativa en Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

que IEstimator<TTransformer> se va a predecir los elementos de una matriz mediante la factorización de matriz (también conocido como un tipo de filtrado colaborativo).

Opciones de como MatrixFactorizationTrainer se usa en MatrixFactorization(Options).

Modelo de entropía máximo lineal de clasificadores multiclase. Genera probabilidades de clases. Este modelo también se conoce como regresión logística multinómica. https://en.wikipedia.org/wiki/Multinomial_logistic_regression Consulte para obtener más información.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Clase base genérica para todos los parámetros del modelo.

Estadísticas de parámetros de modelo lineal.

Parámetros de modelo para NaiveBayesMulticlassTrainer.

IEstimator<TTransformer> para entrenar un modelo bayes naive multiclase que admite valores de características binarias.

Parámetros de modelo para OlsTrainer.

IEstimator<TTransformer> para entrenar un modelo de regresión lineal mediante cuadrados mínimos normales (OLS) para calcular los parámetros del modelo de regresión lineal.

Opciones para como OlsTrainer se usa en Ols(Options)

Parámetros de modelo para OneVersusAllTrainer.

IEstimator<TTransformer> para entrenar un clasificador uno frente a todo multiclase que usa el clasificador binario especificado.

IEstimator<TTransformer> para entrenar un modelo de regresión lineal mediante el descenso de degradado en línea (OGD) para calcular los parámetros del modelo de regresión lineal.

Opciones de como OnlineGradientDescentTrainer se usa en OnlineGradientDescent(Options).

Clase arguments para instructores lineales en línea.

Clase base para instructores lineales en línea. Los instructores en línea se pueden actualizar incrementalmente con datos adicionales.

Parámetros de modelo para PairwiseCouplingTrainer.

IEstimator<TTransformer> para entrenar un clasificador multiclase en pares que usa el clasificador binario especificado.

Parámetros de modelo para RandomizedPcaTrainer.

Función Poisson Loss para regresión de Poisson.

Parámetros de modelo para regresión de Poisson.

Esta clase implementa la disminución de velocidad de aprendizaje polinómica. Se implementa desde la documentación de tensorflow. Origen: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay los valores predeterminados y la implementación de la velocidad de aprendizaje proceden de las pruebas de modelo Slim de Tensorflow. Fuente : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Parámetros de modelo para PriorTrainer.

IEstimator<TTransformer> para predecir un destino mediante un modelo de clasificación binaria.

IEstimator<TTransformer> para entrenar un PCA aproximado mediante el algoritmo SVD aleatorio.

Opciones de como RandomizedPcaTrainer se usa en RandomdPca(Options).

Parámetros de modelo para la regresión.

Opciones de SdcaBinaryTrainerBase<TModelParameters>.

SDCA es un algoritmo de entrenamiento general para modelos lineales (generalizados), como la máquina de vectores de compatibilidad, la regresión lineal, la regresión logística, etc. La familia de instructores de clasificación binaria SDCA incluye varios miembros sellados: (1) SdcaNonCalibratedBinaryTrainer admite funciones de pérdida general y devuelve LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer básicamente entrena un modelo de regresión logística regularizada. Dado que la regresión logística proporciona naturalmente una salida de probabilidad, el tipo del modelo generado es CalibratedModelParametersBase<TSubModel,TCalibrator>. donde TSubModel es LinearBinaryModelParameters y TCalibrator es PlattCalibrator.

IEstimator<TTransformer> para entrenar un modelo de clasificación de regresión logística binaria mediante el método de ascenso de coordenada dual estocástico. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator

Opciones para como SdcaLogisticRegressionBinaryTrainer se usa en SdcaLogisticRegression(Options).

que IEstimator<TTransformer> se va a predecir un destino mediante un clasificador multiclase de entropía máximo. El modelo MaximumEntropyModelParameters entrenado genera probabilidades de clases.

SdcaMaximumEntropyMulticlassTrainer.Options para SdcaMaximumEntropyMulticlassTrainer como se usa en SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Opciones de .SdcaMulticlassTrainerBase<TModel>

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificador multiclase lineal entrenado con un método de descenso de coordenadas. En función de la función de pérdida usada, el modelo entrenado puede ser, por ejemplo, el clasificador de entropía máximo o la máquina de vectores de compatibilidad de varias clases.

IEstimator<TTransformer> para entrenar un modelo de clasificación de regresión logística binaria mediante el método de ascenso de coordenada dual estocástico.

Opciones de .SdcaNonCalibratedBinaryTrainer

queIEstimator<TTransformer> se va a predecir un destino mediante un clasificador multiclase lineal. El modelo LinearMulticlassModelParameters entrenado genera probabilidades de clases.

SdcaNonCalibratedMulticlassTrainer.Options para SdcaNonCalibratedMulticlassTrainer como se usa en SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

IEstimator<TTransformer> para entrenar un modelo de regresión mediante el método de ascenso de coordenada dual estocástico.

Opciones de .SdcaRegressionTrainer

Opciones para los instructores basados en SDCA.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

para IEstimator<TTransformer> entrenar la regresión logística mediante un método de degradado estocástico paralelo. El modelo entrenado se calibra y puede producir probabilidad al alimentar el valor de salida de la función lineal a .PlattCalibrator

Opciones de como SgdCalibratedTrainer se usa en SgdCalibrated(Options).

para IEstimator<TTransformer> entrenar la regresión logística mediante un método de degradado estocástico paralelo.

Opciones para como SgdNonCalibratedTrainer se usa en SgdNonCalibrated(Options).

Una versión fluida de la HingeLoss función, que se usa normalmente en las tareas de clasificación.

Pérdida cuadrada, que se usa normalmente en las tareas de regresión.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

que IEstimator<TTransformer> se va a predecir un destino mediante un modelo de clasificación binaria lineal entrenado con el descenso simbólico de degradado estocástico.

Opciones de como SymbolicSgdLogisticRegressionBinaryTrainer se usa en SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Esto representa una clase básica para "instructor simple". Un "instructor simple" acepta una columna de características y una columna de etiqueta, también opcionalmente una columna de peso. Genera un "transformador de predicción".

Esto representa una clase básica para "instructor simple". Un "instructor simple" acepta una columna de características y una columna de etiqueta, también opcionalmente una columna de peso. Genera un "transformador de predicción".

Clase base para todas las entradas del instructor.

Clase base para todas las entradas de instructor que admiten una columna de grupo.

Clase base para todas las entradas del instructor que admiten una columna Label.

Clase base para todas las entradas de entrenador que admiten una columna de peso.

Pérdida de Tweedie, basada en la probabilidad de registro de la distribución de Tweedie. Esta función de pérdida se usa en la regresión de Tweedie.

Clase base para todas las entradas de instructor no supervisados que admiten una columna de peso.

Esta estructura representa un tipo de elemento del programador de velocidad de aprendizaje

Permite la compatibilidad con el cálculo de la contribución de características por parámetros del modelo.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

La función de pérdida puede conocer la solución de forma cercana a la actualización dual óptima Ref: Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Interfaz para el estimador del entrenador.

Espacio de nombres que contiene instructores, parámetros de modelo y utilidades.

Tipo de función de pérdida.