Microsoft.ML Espace de noms

Il s’agit d’une méthode d’extension à utiliser avec le DnnImageFeaturizerEstimator modèle AlexNet préentraîné. NuGet contenant cette extension est également garanti d’inclure le fichier de modèle binaire.

Classe utilisée par MLContext pour créer des instances de composants de détection d’anomalies, tels que des formateurs et des évaluateurs.

Classe utilisée par la création MLContext d’instances de formateurs de détection d’anomalies.

Classe utilisée pour MLContext créer des instances de composants de classification binaire, telles que des formateurs et des calibrateurs.

Classe utilisée par MLContext pour créer des instances de formateurs de classification binaire.

Classe utilisée pour MLContext créer des instances de calibras de classification binaire.

Collection de méthodes d’extension permettant DataOperationsCatalog de créer des instances de composants pour enregistrer et lire IDataView des objets dans et à partir d’un format binaire hautes performances.

Collection de méthodes d’extension pour TransformsCatalog.CategoricalTransforms créer des composants de transformateur catégoriel.

Classe utilisée pour MLContext créer des instances de composants de clustering, telles que des formateurs.

Classe utilisée par MLContext la création d’instances de formateurs de clustering.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de clés à des composants transformateurs de mappage de vecteurs binaires

Collection de méthodes d’extension pour TransformsCatalog créer des instances de conversion de données et de composants de transformateur de mappage.

Classe contenant une méthode d’extension pour TransformsCatalog créer des instances de composants de transformateur de mappage de lignes un-à-un définis par l’utilisateur.

Collection de méthodes d’extension pour la DataOperationsCatalog lecture à partir de bases de données.

Classe utilisée pour charger des données à partir d’un ou plusieurs fichiers.

Classe utilisée pour créer des composants qui fonctionnent sur des données, mais ne font pas partie du pipeline d’entraînement du modèle. Inclut les composants à charger, enregistrer, mettre en cache, filtrer, mélanger et fractionner des données.

Ligne logique de données. Il peut s’agir d’une ligne d’une ligne autonome ou d’une IDataView ligne autonome.

Classe utilisée pour curseurr des lignes d’un IDataView.

Représente le schéma d’un ou d’un IDataViewDataViewRow. Le schéma est une collection de DataViewSchema.Column.

Annotations de schéma d’un DataViewSchema.Column.

Classe contenant des opérations pour générer un DataViewSchema.Annotations.

Classe contenant des opérations pour générer un DataViewSchema.

Classe utilisée pour créer des instances d’objets en préversion pour le débogage. Remarque : cette classe et toutes les méthodes ne doivent être utilisées que pour le débogage et non dans le code de production.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants d’explication de modèle.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Type d’attribut de base pour tous les attributs utilisés à des fins d’extensibilité.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants de transformateur de valeur manquants.

Collection de méthodes d’extension pour créer BinaryClassificationCatalog des instances de composants d’entraîneur de factorisation prenant en charge le champ.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants du transformateur de sélection de fonctionnalités.

Classe utilisée pour MLContext créer des instances de composants de prévision.

Classe utilisée pour MLContext créer des instances de formateurs de prévision.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants du transformateur de traitement d’images.

Spécifie les noms des colonnes d’entrée et de sortie pour les composants transformateurs qui fonctionnent sur plusieurs colonnes.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants transformateurs d’ingénierie de caractéristiques de méthode de noyau.

Collection de méthodes d’extension pour créer ClusteringCatalog.ClusteringTrainers des instances de formateurs KMeans.

Méthodes d’extension qui permettent le chaînage des pipelines d’estimateur et de transformateur.

Collection de méthodes d’extension pour les catalogues et RegressionCatalog.RegressionTrainers les BinaryClassificationCatalog.BinaryClassificationTrainersRankingCatalog.RankingTrainersMulticlassClassificationCatalog.MulticlassClassificationTrainerscatalogues.

Fournit des données pour l’événement Log.

Collection de méthodes d’extension pour RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainerset TransformsCatalog pour créer des composants de formation et de transformation MKL (Bibliothèque de noyaux mathématiques).

Représente le contexte commun pour toutes les opérations de ML.NET.

Classe utilisée par MLContext pour enregistrer et charger des modèles entraînés.

Objet de contexte pratique pour enregistrer des modèles dans un référentiel, pour les implémenteurs de ICanSaveModel.

Classe utilisée pour MLContext créer des instances de composants de classification multiclasse, telles que des formateurs.

Classe utilisée pour MLContext créer des instances de formateurs de classification multiclasse.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants de normalisation numérique.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Collection de méthodes d’extension utilisées par les catalogues et AnomalyDetectionCatalog.AnomalyDetectionTrainers les TransformsCataloginstances des composants d’analyse des composants principaux (PCA).

Collection de méthodes d’extension utilisées par RegressionCatalog, BinaryClassificationCataloget RankingCatalogMulticlassClassificationCatalogpour créer des instances de composants d’importance des fonctionnalités de permutation.

Classe pour effectuer des prédictions uniques sur un modèle précédemment formé (et pipeline de transformation précédent).

Classe de base pour effectuer des prédictions uniques sur un modèle précédemment entraîné (et le pipeline de transformation précédent).

Options de l’option PredictionEngine<TSrc,TDst>

Classe utilisée pour MLContext créer des instances de composants de classement, telles que des formateurs et des évaluateurs.

Classe utilisée par MLContext pour créer des instances de formateurs de classement.

Catalogue central pour les formateurs et les tâches de recommandation.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Classe utilisée pour MLContext créer des instances de composants de régression, tels que des formateurs et des évaluateurs.

Classe utilisée pour MLContext créer des instances de formateurs de régression.

Il s’agit d’une méthode d’extension à utiliser pour DnnImageFeaturizerEstimator utiliser un modèle ResNet101 préentraîné. NuGet contenant cette extension est également garanti d’inclure le fichier de modèle binaire.

Il s’agit d’une méthode d’extension à utiliser pour DnnImageFeaturizerEstimator utiliser un modèle ResNet18 préentraîné. NuGet contenant cette extension est également garanti d’inclure le fichier de modèle binaire.

Il s’agit d’une méthode d’extension à utiliser pour DnnImageFeaturizerEstimator utiliser un modèle ResNet50 préentraîné. NuGet contenant cette extension est également garanti d’inclure le fichier de modèle binaire.

Ensemble de « conditions requises » pour le schéma entrant, ainsi qu’un ensemble de « promesses » du schéma sortant. Cela est plus détendu que le bon DataViewSchema, car il s’agit uniquement d’un sous-ensemble des colonnes, et aussi, car il ne spécifie pas exactement DataViewType's pour les vecteurs et les clés.

Collection de méthodes d’extension pour RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainerset MulticlassClassificationCatalog.MulticlassClassificationTrainers pour créer des instances de composants de formateur.

Il TensorFlowTransformer est utilisé dans les deux scénarios suivants.

1. Scoring avec un modèle TensorFlow préentraîné : dans ce mode, la transformation extrait les valeurs des couches masquées d’un modèle Tensorflow préentraîné et utilise des sorties comme fonctionnalités dans ML.Net pipeline.
2. Reformation du modèle TensorFlow : dans ce mode, la transformation réentraîne un modèle TensorFlow à l’aide des données utilisateur passées via ML.Net pipeline. Une fois le modèle entraîné, les sorties peuvent être utilisées comme fonctionnalités pour le scoring.

Collection de méthodes d’extension pour le TransformsCatalog.

Collection de méthodes d’extension pour la DataOperationsCatalog lecture à partir de fichiers texte délimités tels que csv et tsv.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Classe de base pour les catalogues d’entraîneurs.

Les sous-classes de cette méthode fournissent peu d’objets Microsoft.ML.TrainContext hookables « méthode d’extension » (par exemple, quelque chose comme Trainers). Le code utilisateur interagit uniquement avec ces objets en appelant les méthodes d’extension. Le code du composant réel peut fonctionner Microsoft.ML.Data.CatalogUtils pour obtenir plus d’informations « masquées » à partir de cet objet, par exemple l’environnement.

Résultats de l’exécution de la validation croisée.

Caractéristiques d’un formateur. Exposé via la propriété Info de chaque formateur.

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants de transformation qui manipulent des colonnes.

Classe utilisée par MLContext pour créer des instances de composants de transformation.

Classe utilisée pour MLContext créer des instances de composants de transformation de données catégorielles.

Classe utilisée pour MLContext créer des instances de composants de transformation de données de conversion de type.

Classe utilisée pour MLContext créer des instances de composants de transformation de sélection de fonctionnalités.

Classe utilisée pour MLContext créer des instances de composants de transformation de données texte.

Collection de méthodes d’extension utilisées par RegressionCatalog, , BinaryClassificationCatalogMulticlassClassificationCatalog, RankingCataloget TransformsCatalog pour créer des instances d’entraîneurs d’arbre de décision et de caractérisations.

Collection de méthodes d’extension pour MulticlassClassificationCatalog.MulticlassClassificationTrainers créer des instances de composants d’entraîneur ImageClassification.

Paire de jeux de données, pour le jeu d’apprentissage et de test.

Cette classe décrit une colonne dans le schéma particulier.

Cette classe représente le schéma d’une colonne d’une vue de données, sans pièce jointe à un particulier DataViewSchema.

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Pour enregistrer un modèle dans un référentiel. L’implémentation ICanSaveModel de classes doit effectuer une implémentation explicite de Save(ModelSaveContext). Les classes qui héritent ICanSaveModel d’une classe de base doivent remplacer la fonction appelée dans Save(ModelSaveContext) cette classe de base, le cas échéant.

Le « chargeur de données » prend un certain type d’entrée et le transforme en un IDataView.

Parfois, nous devons « ajuster » un IDataLoader<TSource>. Un estimateur DataLoader est l’objet qui le fait.

Entrée et sortie des opérateurs de requête (transformations). Il s’agit du type de pipeline de données fondamental, comparable à celui de IEnumerable<T> LINQ.

L’estimateur (en terminologie Spark) est un « transformateur non entraîné ». Il doit s’adapter aux données pour fabriquer un transformateur. Il fournit également la « propagation de schéma » comme les transformateurs, mais au SchemaShape lieu de DataViewSchema.

Interface pour tous les transformateurs capables de transformer des données en fonction du Microsoft.ML.IPredictor champ. Les implémentations de cette interface n’ont aucune colonne de fonctionnalité, ou ont plusieurs colonnes de caractéristiques et ne peuvent pas implémenter le ISingleFeaturePredictionTransformer<TModel>, que la plupart des ML.Net transformeur implémentent.

Un ISingleFeaturePredictionTransformer contient le nom du FeatureColumnName et son type. FeatureColumnType Les implémentations de cette interface ont la possibilité de noter les données d’une entrée IDataView via le Transform(IDataView)

Le transformateur est un composant qui transforme les données. Il prend également en charge la « propagation de schéma » pour répondre à la question de « comment les données avec ce schéma seront-elles recherchées, après la transformer ? ».

Espace de noms principal pour ML.NET. Contient des contextes d’application et d’opération, des catalogues de transformateurs et d’entraîneurs et des composants pour le traitement de la vue des données.

Type délégué pour obtenir une valeur. Cela peut être utilisé pour un accès efficace aux données dans un DataViewRow ou DataViewRowCursor.