Microsoft.ML.Trainers Namespace

Classe de argumentos para treinadores lineares médios.

Classe base para treinadores lineares médios.

A IEstimator<TTransformer> previsão de um destino usando um modelo de classificação binária linear treinado com o perceptron médio.

Opções para o AveragedPerceptronTrainer conforme usado em AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Representa um objeto de estatísticas de coeficiente que contém estatísticas sobre os parâmetros de modelo calculados.

Calcula a matriz de desvio padrão de cada um dos pesos de treinamento não zero, necessários para calcular ainda mais o desvio padrão, p-value e z-Score. Use a implementação dessa classe no pacote Microsoft.ML.Mkl.Components, que usa a Biblioteca intel math kernel. Devido à existência da regularização, uma aproximação é usada para calcular as variações dos coeficientes lineares treinados.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Perda Exponencial, comumente usada em tarefas de classificação.

Essa classe implementa a decadência da taxa de Aprendizagem Exponencial. Implementado na documentação do tensorflow. Origem: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay os valores padrão e a implementação da taxa de aprendizagem são provenientes de testes de modelo do Tensorflow Slim. Fonte : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Suporte para cálculo de contribuição de recursos.

Parâmetros de modelo para FieldAwareFactorizationMachineTrainer.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A IEstimator<TTransformer> previsão de um destino usando um modelo de computador de factorização com reconhecimento de campo treinado usando um método de gradiente estocástico.

FieldAwareFactorizationMachineTrainer.Options para FieldAwareFactorizationMachineTrainer como usado em FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Perda de dobradiça, comumente usada em tarefas de classificação.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Para IEstimator<TTransformer> treinar um clusterer KMeans

Opções para o KMeansTrainer usado em KMeansTrainer(Options).

A IEstimator<TTransformer> previsão de um destino usando um modelo de regressão logística linear treinado com o método L-BFGS.

Opções para o LbfgsLogisticRegressionBinaryTrainer conforme usado em LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

A IEstimator<TTransformer> previsão de um destino usando um classificador multiclasse de entropia máximo treinado com o método L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options para LbfgsMaximumEntropyMulticlassTrainer como usado em LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

Para IEstimator<TTransformer> treinar um modelo de regressão Poisson.

Opções para o LbfgsPoissonRegressionTrainer conforme usado em LbfgsPoissonRegression(Options).

Classe de opções base para avaliadores de treinador derivadosLbfgsTrainerBase<TOptions,TTransformer,TModel>.

Classe base para treinadores baseados em L-BFGS.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A IEstimator<TTransformer> previsão de um destino usando um modelo de classificação binária não linear treinado com svm profunda local.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Esta classe abstrata define um agendador de taxa de aprendizagem.

A classe de parâmetros de modelo para avaliadores de treinador binário linear.

Classe base para parâmetros de modelo linear.

Estatísticas para parâmetros de modelo linear.

Modelo linear de classificadores multiclasse. Ele gera pontuações brutas de todos os seus modelos lineares e nenhuma saída probablística é fornecida.

Modelo linear comum de classificadores multiclasse. LinearMulticlassModelParameters contém um único modelo linear por classe.

Parâmetros de modelo para regressão linear.

A IEstimator<TTransformer> previsão de um destino usando um modelo de classificação binária linear treinado com SVM Linear.

Opções para o LinearSvmTrainer conforme usado em LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A perda de log, também conhecida como perda de entropia cruzada. Normalmente, ele é usado em tarefas de classificação.

Essa classe implementa a regra de dimensionamento linear e a decadência de LR. Implementação adotada de RESNET-CIFAR teste de parâmetro de comparação no Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Os IEstimator<TTransformer> elementos a serem previstos em uma matriz usando a factorização de matriz (também conhecida como um tipo de filtragem colaborativa).

Opções para o MatrixFactorizationTrainer usado em MatrixFactorization(Options).

Modelo de entropia máxima linear de classificadores multiclasses. Ele gera probabilidades de classes. Esse modelo também é conhecido como regressão logística multinomial. https://en.wikipedia.org/wiki/Multinomial_logistic_regression Confira os detalhes.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Classe base genérica para todos os parâmetros de modelo.

Estatísticas para parâmetros de modelo linear.

Parâmetros de modelo para NaiveBayesMulticlassTrainer.

Para IEstimator<TTransformer> treinar um modelo naive bayes multiclasse que dá suporte a valores de recursos binários.

Parâmetros de modelo para OlsTrainer.

Para IEstimator<TTransformer> treinar um modelo de regressão linear usando OLS (quadrados mínimos comuns) para estimar os parâmetros do modelo de regressão linear.

Opções para o OlsTrainer usado em Ols(Options)

Parâmetros de modelo para OneVersusAllTrainer.

Para IEstimator<TTransformer> treinar um classificador de várias classes um contra todos que usa o classificador binário especificado.

Para IEstimator<TTransformer> treinar um modelo de regressão linear usando OGD (Descendente de Gradiente Online) para estimar os parâmetros do modelo de regressão linear.

Opções para o OnlineGradientDescentTrainer conforme usado em OnlineGradientDescent(Options).

Classe de argumentos para treinadores lineares online.

Classe base para treinadores lineares online. Os treinadores online podem ser atualizados incrementalmente com dados adicionais.

Parâmetros de modelo para PairwiseCouplingTrainer.

Para IEstimator<TTransformer> treinar um classificador de várias classes de acoplamento par que usa o classificador binário especificado.

Parâmetros de modelo para RandomizedPcaTrainer.

Função Poisson Loss para Regressão de Poisson.

Parâmetros de modelo para Regressão de Poisson.

Essa classe implementa a decadência da taxa de aprendizagem polinomial. Implementado na documentação do tensorflow. Origem: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay os valores padrão e a implementação da taxa de aprendizagem são provenientes de testes de modelo do Tensorflow Slim. Fonte : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Parâmetros de modelo para PriorTrainer.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificação binária.

Para IEstimator<TTransformer> treinar um PCA aproximado usando o algoritmo SVD Aleatório.

Opções para o RandomizedPcaTrainer usado em RandomizedPca(Options).

Parâmetros de modelo para regressão.

Opções para SdcaBinaryTrainerBase<TModelParameters>.

O SDCA é um algoritmo de treinamento geral para modelos lineares (generalizados), como máquina de vetor de suporte, regressão linear, regressão logística e assim por diante. A família de treinadores de classificação binária SDCA inclui vários membros lacrados: (1) SdcaNonCalibratedBinaryTrainer dá suporte a funções de perda gerais e retorna LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer basicamente treina um modelo de regressão logística regularizada. Como a regressão logística fornece naturalmente a saída de probabilidade, o tipo desse modelo gerado é CalibratedModelParametersBase<TSubModel,TCalibrator>. onde TSubModel está LinearBinaryModelParameters e TCalibrator é PlattCalibrator.

Para IEstimator<TTransformer> treinar um modelo de classificação de regressão logística binária usando o método de ascento de coordenada dupla estocástica. O modelo treinado é calibrado e pode produzir probabilidade alimentando o valor de saída da função linear para um PlattCalibrator.

Opções para o SdcaLogisticRegressionBinaryTrainer usado em SdcaLogisticRegression(Options).

A IEstimator<TTransformer> previsão de um destino usando um classificador multiclasse de entropia máxima. O modelo MaximumEntropyModelParameters treinado produz probabilidades de classes.

SdcaMaximumEntropyMulticlassTrainer.Options para SdcaMaximumEntropyMulticlassTrainer como usado em SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Opções para o SdcaMulticlassTrainerBase<TModel>.

A IEstimator<TTransformer> previsão de um destino usando um modelo de classificador de várias classes linear treinado com um método de descida de coordenadas. Dependendo da função de perda usada, o modelo treinado pode ser, por exemplo, o classificador máximo de entropia ou o computador vetor de suporte de várias classes.

Para IEstimator<TTransformer> treinar um modelo de classificação de regressão logística binária usando o método de ascento de coordenada dupla estocástica.

Opções para o SdcaNonCalibratedBinaryTrainer.

AIEstimator<TTransformer> previsão de um destino usando um classificador de várias classes lineares. O modelo LinearMulticlassModelParameters treinado produz probabilidades de classes.

SdcaNonCalibratedMulticlassTrainer.Options para SdcaNonCalibratedMulticlassTrainer como usado em SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

Para IEstimator<TTransformer> treinar um modelo de regressão usando o método de ascento de coordenada dupla estocástica.

Opções para o SdcaRegressionTrainer.

Opções para os treinadores baseados em SDCA.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A IEstimator<TTransformer> regressão logística de treinamento usando um método de gradiente estocástico paralelo. O modelo treinado é calibrado e pode produzir probabilidade alimentando o valor de saída da função linear para um PlattCalibrator.

Opções para o SgdCalibratedTrainer usado em SgdCalibrated(Options).

A IEstimator<TTransformer> regressão logística de treinamento usando um método de gradiente estocástico paralelo.

Opções para o SgdNonCalibratedTrainer usado em SgdNonCalibrated(Options).

Uma versão suave da HingeLoss função, comumente usada em tarefas de classificação.

A Perda Quadrada, comumente usada em tarefas de regressão.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A IEstimator<TTransformer> previsão de um destino usando um modelo de classificação binária linear treinado com a descida de gradiente estocástica simbólica.

Opções para o SymbolicSgdLogisticRegressionBinaryTrainer conforme usado em SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Isso representa uma classe básica para "treinador simples". Um "treinador simples" aceita uma coluna de recurso e uma coluna de rótulo, também opcionalmente uma coluna de peso. Ele produz um 'transformador de previsão'.

Isso representa uma classe básica para "treinador simples". Um "treinador simples" aceita uma coluna de recurso e uma coluna de rótulo, também opcionalmente uma coluna de peso. Ele produz um 'transformador de previsão'.

A classe base para todas as entradas do treinador.

A classe base para todas as entradas do treinador que dão suporte a uma coluna de grupo.

A classe base para todas as entradas do treinador que dão suporte a uma coluna Label.

A classe base para todas as entradas do treinador que dão suporte a uma coluna de peso.

Perda de Tweedie, com base na probabilidade de log da distribuição Tweedie. Essa função de perda é usada na regressão de Tweedie.

A classe base para todas as entradas de treinador não supervisionadas que dão suporte a uma coluna de peso.

Essa estrutura representa um tipo de item do agendador de taxa de aprendizagem

Permite suporte para cálculo de contribuição de recursos por parâmetros de modelo.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A função de perda pode conhecer a solução close-form para a atualização dupla ideal Ref: Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Interface para o Avaliador do Treinador.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Tipo de função de perda.