|
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)
|
Utwórz element AveragedPerceptronTrainer z opcjami zaawansowanymi, który przewiduje cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.
|
|
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)
|
Utwórz obiekt AveragedPerceptronTrainer, który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji binarnej wyszkolonego na danych etykiet logicznych.
|
|
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
|
Utwórz LbfgsLogisticRegressionBinaryTrainer za pomocą zaawansowanych opcji, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wyszkolonego na danych etykiet logicznych.
|
|
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
|
Utwórz LbfgsLogisticRegressionBinaryTrainerelement , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.
|
|
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)
|
Utwórz LbfgsMaximumEntropyMulticlassTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu maksymalnego modelu klasyfikacji entropii wyszkolonego za pomocą metody L-BFGS.
|
|
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
|
Utwórz LbfgsMaximumEntropyMulticlassTrainerelement , który przewiduje cel przy użyciu maksymalnego modelu klasyfikacji entropii wytrenowanego za pomocą metody L-BFGS.
|
|
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.
|
|
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)
|
Utwórz LdSvmTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu lokalnego modelu głębokiego svM.
|
|
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)
|
Utwórz LdSvmTrainerobiekt docelowy przy użyciu lokalnego modelu głębokiego svM.
|
|
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)
|
Utwórz LinearSvmTrainer za pomocą zaawansowanych opcji, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wyszkolonego na danych etykiet logicznych.
|
|
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)
|
Utwórz LinearSvmTrainerelement , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych.
|
|
NaiveBayes(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String)
|
Utwórz obiekt NaiveBayesMulticlassTrainer, który przewiduje obiekt docelowy wieloklasowy przy użyciu modelu Naive Bayes, który obsługuje wartości funkcji binarnych.
|
|
OneVersusAll<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
ITrainerEstimator<BinaryPredictionTransformer<TModel>,TModel>,
String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>,
Int32, Boolean)
|
Utwórz obiekt docelowy OneVersusAllTrainerz wieloma klasami przy użyciu strategii "jeden w porównaniu do wszystkich" przy użyciu narzędzia do szacowania klasyfikacji binarnej określonej przez binaryEstimator.
|
|
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.
|
|
PairwiseCoupling<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
ITrainerEstimator<ISingleFeaturePredictionTransformer<TModel>,
TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>,
Int32)
|
Utwórz element , który przewiduje obiekt docelowy wieloklasowy PairwiseCouplingTrainerprzy użyciu strategii sprzęgania par par z narzędziem do szacowania klasyfikacji binarnej określonej przez binaryEstimator.
|
|
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)
|
Utwórz PriorTrainerelement , który przewiduje element docelowy przy użyciu modelu klasyfikacji binarnej.
|
|
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.
|
|
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)
|
Utwórz SdcaLogisticRegressionBinaryTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu modelu klasyfikacji liniowej.
|
|
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers,
String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
|
Utwórz SdcaLogisticRegressionBinaryTrainerelement , który przewiduje element docelowy przy użyciu modelu klasyfikacji liniowej.
|
|
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)
|
Utwórz SdcaMaximumEntropyMulticlassTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu maksymalnego modelu klasyfikacji entropii wytrenowanego przy użyciu metody spadku współrzędnych.
|
|
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
|
Utwórz SdcaMaximumEntropyMulticlassTrainerelement , który przewiduje cel przy użyciu maksymalnego modelu klasyfikacji entropii wytrenowanego przy użyciu metody spadku współrzędnych.
|
|
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)
|
Utwórz SdcaNonCalibratedBinaryTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu modelu klasyfikacji liniowej wytrenowanego na danych etykiet logicznych.
|
|
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers,
String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>,
Nullable<Single>, Nullable<Int32>)
|
Utwórz SdcaNonCalibratedBinaryTrainerelement , który przewiduje element docelowy przy użyciu modelu klasyfikacji liniowej.
|
|
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)
|
Utwórz SdcaNonCalibratedMulticlassTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu liniowego modelu klasyfikacji wieloklasowej wyszkolonego przy użyciu metody zejścia współrzędnych.
|
|
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers,
String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>,
Nullable<Single>, Nullable<Int32>)
|
Utwórz SdcaNonCalibratedMulticlassTrainerelement , który przewiduje element docelowy przy użyciu liniowego modelu klasyfikacji wieloklasowej wyszkolonego przy użyciu metody spadku współrzędnych.
|
|
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)
|
Utwórz SgdCalibratedTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu modelu klasyfikacji liniowej.
Stochastic gradient zejście (SGD) to algorytm iteracyjny, który optymalizuje różnicową funkcję obiektywną.
|
|
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)
|
Utwórz SgdCalibratedTrainerelement , który przewiduje element docelowy przy użyciu modelu klasyfikacji liniowej.
Stochastic gradient zejście (SGD) to algorytm iteracyjny, który optymalizuje różnicową funkcję obiektywną.
|
|
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)
|
Utwórz SgdNonCalibratedTrainer z opcjami zaawansowanymi, które przewidują cel przy użyciu modelu klasyfikacji liniowej.
Stochastic gradient zejście (SGD) to algorytm iteracyjny, który optymalizuje różnicową funkcję obiektywną.
|
|
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)
|
Utwórz SgdNonCalibratedTrainerelement , który przewiduje element docelowy przy użyciu modelu klasyfikacji liniowej.
Stochastic gradient zejście (SGD) to algorytm iteracyjny, który optymalizuje różnicową funkcję obiektywną.
|