RegressionCatalog.RegressionTrainers Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Klasa używana przez MLContext program do tworzenia wystąpień trenerów regresji.
public sealed class RegressionCatalog.RegressionTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBasetype RegressionCatalog.RegressionTrainers = class
inherit TrainCatalogBase.CatalogInstantiatorBasePublic NotInheritable Class RegressionCatalog.RegressionTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase- Dziedziczenie
Metody rozszerzania
| Nazwa | Opis |
|---|---|
| FastForest(RegressionCatalog+RegressionTrainers, FastForestRegressionTrainer+Options) |
Utwórz FastForestRegressionTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji drzewa decyzyjnego. |
| FastForest(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32) |
Utwórz FastForestRegressionTrainerobiekt , który przewiduje cel przy użyciu modelu regresji drzewa decyzyjnego. |
| FastTree(RegressionCatalog+RegressionTrainers, FastTreeRegressionTrainer+Options) |
Utwórz FastTreeRegressionTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji drzewa decyzyjnego. |
| FastTree(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32, Double) |
Utwórz FastTreeRegressionTrainerobiekt , który przewiduje cel przy użyciu modelu regresji drzewa decyzyjnego. |
| FastTreeTweedie(RegressionCatalog+RegressionTrainers, FastTreeTweedieTrainer+Options) |
Utwórz FastTreeTweedieTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji drzewa decyzyjnego. |
| FastTreeTweedie(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32, Double) |
Utwórz FastTreeTweedieTrainerobiekt , który przewiduje cel przy użyciu modelu regresji drzewa decyzyjnego. |
| Gam(RegressionCatalog+RegressionTrainers, GamRegressionTrainer+Options) |
Tworzenie GamRegressionTrainer przy użyciu opcji zaawansowanych, które przewiduje cel przy użyciu uogólnionych modeli addytywnego (GAM). |
| Gam(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Double) |
Utwórz GamRegressionTrainerobiekt , który przewiduje cel przy użyciu uogólnionych modeli addytywnego (GAM). |
| LbfgsPoissonRegression(RegressionCatalog+RegressionTrainers, LbfgsPoissonRegressionTrainer+Options) |
Utwórz LbfgsPoissonRegressionTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji liniowej. |
| LbfgsPoissonRegression(RegressionCatalog+RegressionTrainers, String, String, String, Single, Single, Single, Int32, Boolean) |
Utwórz LbfgsPoissonRegressionTrainerobiekt , który przewiduje cel przy użyciu modelu regresji liniowej. |
| LightGbm(RegressionCatalog+RegressionTrainers, LightGbmRegressionTrainer+Options) |
Utwórz LightGbmRegressionTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu gradientu zwiększającego model regresji drzewa decyzyjnego. |
| LightGbm(RegressionCatalog+RegressionTrainers, Stream, String) |
Utwórz LightGbmRegressionTrainer na podstawie wstępnie wytrenowanego modelu LightGBM, który przewiduje cel przy użyciu regresji drzewa decyzyjnego zwiększającego gradient. |
| LightGbm(RegressionCatalog+RegressionTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32) |
Utwórz LightGbmRegressionTrainerobiekt , który przewiduje cel przy użyciu modelu regresji drzewa decyzyjnego zwiększającego gradient. |
| Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options) |
Utwórz OlsTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji liniowej. |
| Ols(RegressionCatalog+RegressionTrainers, String, String, String) |
Utwórz OlsTrainerobiekt , który przewiduje cel przy użyciu modelu regresji liniowej. |
| OnlineGradientDescent(RegressionCatalog+RegressionTrainers, OnlineGradientDescentTrainer+Options) |
Utwórz OnlineGradientDescentTrainer przy użyciu opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji liniowej. |
| OnlineGradientDescent(RegressionCatalog+RegressionTrainers, String, String, IRegressionLoss, Single, Boolean, Single, Int32) |
Utwórz OnlineGradientDescentTrainerobiekt , który przewiduje cel przy użyciu modelu regresji liniowej. |
| Sdca(RegressionCatalog+RegressionTrainers, SdcaRegressionTrainer+Options) |
Utwórz SdcaRegressionTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji liniowej. |
| Sdca(RegressionCatalog+RegressionTrainers, String, String, String, ISupportSdcaRegressionLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>) |
Utwórz SdcaRegressionTrainerobiekt , który przewiduje cel przy użyciu modelu regresji liniowej. |
| SentenceSimilarity(RegressionCatalog+RegressionTrainers, SentenceSimilarityTrainer+SentenceSimilarityOptions) |
Dostosuj model NAS-BERT dla podobieństwa zdania NLP. Limit dla dowolnego zdania to 512 tokenów. Każde słowo zwykle będzie mapować na pojedynczy token i automatycznie dodajemy 2 tokeny specical (token początkowy i token separatora), więc ogólnie ten limit będzie wynosić 510 wyrazów dla wszystkich zdań. |
| SentenceSimilarity(RegressionCatalog+RegressionTrainers, String, String, String, String, Int32, Int32, BertArchitecture, IDataView) |
Dostosuj model NAS-BERT dla podobieństwa zdania NLP. Limit dla dowolnego zdania to 512 tokenów. Każde słowo zwykle będzie mapować na pojedynczy token i automatycznie dodajemy 2 tokeny specical (token początkowy i token separatora), więc ogólnie ten limit będzie wynosić 510 wyrazów dla wszystkich zdań. |