Microsoft.ML.Trainers Espace de noms

Classe arguments pour les formateurs linéaires moyens.

Classe de base pour les formateurs linéaires moyens.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la perceptron moyenne.

Options pour les AveragedPerceptronTrainer options utilisées dans AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Représente un objet de statistiques de coefficient contenant des statistiques sur les paramètres de modèle calculés.

Calcule la matrice d’écart type de chacun des poids d’entraînement non nuls, nécessaire pour calculer davantage l’écart type, la valeur p et le score z. Utilisez l'implémentation de cette classe dans le package Microsoft.ML.Mkl.Components qui utilise la bibliothèque de noyaux Mathématiques Intel. En raison de l’existence de la régularisation, une approximation est utilisée pour calculer les variances des coefficients linéaires entraînés.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Perte exponentielle, couramment utilisée dans les tâches de classification.

Cette classe implémente la dégradation du taux d’apprentissage exponentiel. Implémenté à partir de la documentation tensorflow. Source : https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Les valeurs par défaut et l’implémentation du taux d’apprentissage proviennent des tests de modèle Tensorflow Slim. Référence : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Prise en charge du calcul des contributions aux fonctionnalités.

Paramètres de modèle pour FieldAwareFactorizationMachineTrainer.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de machine de factorisation prenant en compte les champs entraîné à l’aide d’une méthode de dégradé stochastique.

FieldAwareFactorizationMachineTrainer.Options comme FieldAwareFactorizationMachineTrainer utilisé dans FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Perte de charnière, couramment utilisée dans les tâches de classification.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Pour IEstimator<TTransformer> l’entraînement d’un clustereur KMeans

Options pour l’option KMeansTrainer utilisée dans KMeansTrainer(Options).

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de régression logistique linéaire formé avec la méthode L-BFGS.

Options pour l’utilisation LbfgsLogisticRegressionBinaryTrainer dans LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un classifieur multiclasse entropie maximal formé avec la méthode L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options comme LbfgsMaximumEntropyMulticlassTrainer utilisé dans LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

Pour IEstimator<TTransformer> l’entraînement d’un modèle de régression De Poisson.

Options pour l’option LbfgsPoissonRegressionTrainer utilisée dans LbfgsPoissonRegression(Options).

Classe d’options de base pour les estimateurs d’entraîneurs dérivésLbfgsTrainerBase<TOptions,TTransformer,TModel>.

Classe de base pour les formateurs basés sur L-BFGS.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire non linéaire formé avec local deep SVM.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Cette classe abstraite définit un planificateur de taux d’apprentissage.

Classe de paramètres de modèle pour les estimateurs d’entraîneur binaire linéaire.

Classe de base pour les paramètres de modèle linéaire.

Statistiques pour les paramètres de modèle linéaire.

Modèle linéaire de classifieurs multiclasses. Il génère des scores bruts de tous ses modèles linéaires, et aucune sortie probablistique n’est fournie.

Modèle linéaire commun de classifieurs multiclasses. LinearMulticlassModelParameters contient un modèle linéaire unique par classe.

Paramètres de modèle pour la régression linéaire.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec linear SVM.

Options pour les LinearSvmTrainer options utilisées dans LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

La perte de journal, également appelée perte d’entropie croisée. Il est couramment utilisé dans les tâches de classification.

Cette classe implémente la règle de mise à l’échelle linéaire et la désintégration LR. Implémentation adoptée à partir de RESNET-CIFAR test de benchmark dans Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Pour IEstimator<TTransformer> prédire des éléments dans une matrice à l’aide de la factorisation de matrice (également appelée type de filtrage collaboratif).

Options pour l’option MatrixFactorizationTrainer utilisée dans MatrixFactorization(Options).

Modèle d’entropie maximale linéaire de classifieurs multiclasses. Elle génère des probabilités de classes. Ce modèle est également appelé régression logistique multinomiale. Pour plus d’informations, consultez ce qui s’affiche https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Classe de base générique pour tous les paramètres de modèle.

Statistiques pour les paramètres de modèle linéaire.

Paramètres de modèle pour NaiveBayesMulticlassTrainer.

Pour IEstimator<TTransformer> entraîner un modèle Naive Bayes multiclasse qui prend en charge les valeurs de fonctionnalités binaires.

Paramètres de modèle pour OlsTrainer.

Pour IEstimator<TTransformer> entraîner un modèle de régression linéaire à l’aide de carrés minimum ordinaires (OLS) pour estimer les paramètres du modèle de régression linéaire.

Options pour l’option OlsTrainer utilisée dans Ols(Options)

Paramètres de modèle pour OneVersusAllTrainer.

Pour IEstimator<TTransformer> l’entraînement d’un classifieur multiclasse un-contre-tous qui utilise le classifieur binaire spécifié.

Pour IEstimator<TTransformer> entraîner un modèle de régression linéaire à l’aide d’OGD (Online Gradient Descent) pour estimer les paramètres du modèle de régression linéaire.

Options pour l’option OnlineGradientDescentTrainer utilisée dans OnlineGradientDescent(Options).

Classe Arguments pour les formateurs linéaires en ligne.

Classe de base pour les formateurs linéaires en ligne. Les formateurs en ligne peuvent être mis à jour de manière incrémentielle avec des données supplémentaires.

Paramètres de modèle pour PairwiseCouplingTrainer.

Pour IEstimator<TTransformer> l’entraînement d’un classifieur à classes multiples couplés qui utilise le classifieur binaire spécifié.

Paramètres de modèle pour RandomizedPcaTrainer.

Fonction de perte de poisson pour la régression de Poisson.

Paramètres de modèle pour la régression de Poisson.

Cette classe implémente la dégradation du taux d’apprentissage polynomial. Implémenté à partir de la documentation tensorflow. Source : https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Les valeurs par défaut et l’implémentation du taux d’apprentissage proviennent des tests de modèle Tensorflow Slim. Référence : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Paramètres de modèle pour PriorTrainer.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire.

Pour IEstimator<TTransformer> l’entraînement d’un PCA approximatif à l’aide de l’algorithme SVD aléatoire.

Options pour l’option RandomizedPcaTrainer utilisée dans RandomdPca(Options).

Paramètres de modèle pour la régression.

Options de SdcaBinaryTrainerBase<TModelParameters>.

SDCA est un algorithme d’apprentissage général pour les modèles linéaires (généralisés), tels que la machine vectorielle de prise en charge, la régression linéaire, la régression logistique, etc. La famille d’entraîneurs de classification binaire SDCA comprend plusieurs membres scellés : (1) SdcaNonCalibratedBinaryTrainer prend en charge les fonctions de perte générales et les retours LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer entraîne essentiellement un modèle de régression logistique régulière. Étant donné que la régression logistique fournit naturellement une sortie de probabilité, le type de ce modèle généré est CalibratedModelParametersBase<TSubModel,TCalibrator>. où TSubModel est LinearBinaryModelParameters et TCalibrator est PlattCalibrator.

Pour IEstimator<TTransformer> entraîner un modèle de classification de régression logistique binaire à l’aide de la méthode d’ascente de double coordonnée stochastique. Le modèle entraîné est étalonné et peut produire une probabilité en alimentant la valeur de sortie de la fonction linéaire à un PlattCalibrator.

Options pour l’option SdcaLogisticRegressionBinaryTrainer utilisée dans SdcaLogisticRegression(Options).

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un classifieur multiclasse d’entropie maximale. Le modèle MaximumEntropyModelParameters entraîné produit des probabilités de classes.

SdcaMaximumEntropyMulticlassTrainer.Options comme SdcaMaximumEntropyMulticlassTrainer utilisé dans SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Options pour le SdcaMulticlassTrainerBase<TModel>.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classifieur multiclasse linéaire formé avec une méthode de descente de coordonnées. Selon la fonction de perte utilisée, le modèle entraîné peut être, par exemple, un classifieur d’entropie maximal ou une machine vectorielle de prise en charge multiclasse.

Pour IEstimator<TTransformer> entraîner un modèle de classification de régression logistique binaire à l’aide de la méthode d’ascente de double coordonnée stochastique.

Options pour le SdcaNonCalibratedBinaryTrainer.

PourIEstimator<TTransformer> prédire une cible à l’aide d’un classifieur multiclasse linéaire. Le modèle LinearMulticlassModelParameters entraîné produit des probabilités de classes.

SdcaNonCalibratedMulticlassTrainer.Options comme SdcaNonCalibratedMulticlassTrainer utilisé dans SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

Pour IEstimator<TTransformer> entraîner un modèle de régression à l’aide de la méthode d’ascente de double coordonnée stochastique.

Options pour le SdcaRegressionTrainer.

Options pour les formateurs basés sur SDCA.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

La IEstimator<TTransformer> régression logistique d’apprentissage à l’aide d’une méthode de dégradé stochastique parallèle. Le modèle entraîné est étalonné et peut produire une probabilité en alimentant la valeur de sortie de la fonction linéaire à un PlattCalibrator.

Options pour les SgdCalibratedTrainer options utilisées dans SgdCalibrated(Options).

La IEstimator<TTransformer> régression logistique d’apprentissage à l’aide d’une méthode de dégradé stochastique parallèle.

Options pour les SgdNonCalibratedTrainer options utilisées dans SgdNonCalibrated(Options).

Une version fluide de la HingeLoss fonction, couramment utilisée dans les tâches de classification.

Perte carrée, couramment utilisée dans les tâches de régression.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Pour IEstimator<TTransformer> prédire une cible à l’aide d’un modèle de classification binaire linéaire entraîné avec la descente de dégradé stochastique symbolique.

Options pour les SymbolicSgdLogisticRegressionBinaryTrainer options utilisées dans SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Cela représente une classe de base pour « formateur simple ». Un « formateur simple » accepte une colonne de caractéristique et une colonne d’étiquette, également une colonne de poids. Il produit un « transformateur de prédiction ».

Cela représente une classe de base pour « formateur simple ». Un « formateur simple » accepte une colonne de caractéristique et une colonne d’étiquette, également une colonne de poids. Il produit un « transformateur de prédiction ».

Classe de base pour toutes les entrées d’entraîneur.

Classe de base pour toutes les entrées d’entraîneur qui prennent en charge une colonne de groupe.

Classe de base pour toutes les entrées d’entraîneur qui prennent en charge une colonne Label.

Classe de base pour toutes les entrées d’entraîneur qui prennent en charge une colonne de poids.

Perte de Tweedie, basée sur la probabilité de journal de la distribution Tweedie. Cette fonction de perte est utilisée dans la régression Tweedie.

Classe de base pour toutes les entrées d’entraîneur non supervisées qui prennent en charge une colonne de poids.

Cette structure représente un type d’élément du planificateur de taux d’apprentissage

Permet la prise en charge du calcul de contribution des fonctionnalités par paramètres de modèle.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

La fonction de perte peut connaître la solution de forme proche à la double mise à jour optimale Ref : Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Interface pour l’estimateur d’entraîneur.

Espace de noms contenant des formateurs, des paramètres de modèle et des utilitaires.

Type de fonction de perte.