MulticlassClassificationCatalog.MulticlassClassificationTrainers 類別

使用進階選項來建立 ImageClassificationTrainer ，該選項訓練深度神經網路（DNN）來分類影像。

Create ImageClassificationTrainer，訓練深度神經網路（DNN）來分類影像。

使用進階選項創建 LbfgsMaximumEntropyMulticlassTrainer ，該模型使用以 L-BFGS 方法訓練的最大熵分類模型來預測目標。

創建 LbfgsMaximumEntropyMulticlassTrainer，該模型使用以 L-BFGS 方法訓練的最大熵分類模型來預測目標。

使用進階選項創建 LightGbmMulticlassTrainer ，該模型利用梯度提升決策樹多類別分類模型預測目標。

從預先訓練好的 LightGBM 模型中建立 LightGbmMulticlassTrainer ，該模型使用梯度增強決策樹多類別分類模型來預測目標。

創建 LightGbmMulticlassTrainer，利用梯度提升決策樹多類別分類模型預測目標。

建立一個 NaiveBayesMulticlassTrainer，利用支持二元特徵值的朴素貝葉斯模型預測多類別目標。

微調命名實體識別模型。

微調命名實體識別的 NAS-BERT 模型。 任何句子的上限為512個代幣。 每個單字通常對應一個詞元，我們會自動加入兩個特殊詞元（起始詞和分隔詞），因此一般來說，這個限制是所有句子的 510 字。

過時：請改用該 NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions) 方法。

過時：請改用該 NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView) 方法。

微調物件偵測模型。

微調物件偵測模型。

建立一個 OneVersusAllTrainer，利用一對全策略預測多類別目標，二元分類估計量由 binaryEstimator指定。

建立一個 PairwiseCouplingTrainer，利用配對耦合策略預測多類別目標，並指定為二元分類估計 binaryEstimator量。

微調 ROBERTA 模式以支援問答模式。 任何句子的上限為512個代幣。 每個單字通常對應一個詞元，我們會自動加入兩個特殊詞元（起始詞和分隔詞），因此一般來說，這個限制是所有句子的 510 字。

微調 ROBERTA 模式以支援問答模式。 任何句子的上限為512個代幣。 每個單字通常對應一個詞元，我們會自動加入兩個特殊詞元（起始詞和分隔詞），因此一般來說，這個限制是所有句子的 510 字。

使用進階選項創建 SdcaMaximumEntropyMulticlassTrainer ，該模型使用最大熵分類模型，並以座標下降法訓練，預測目標。

創建 SdcaMaximumEntropyMulticlassTrainer，該模型使用使用座標下降法訓練的最大熵分類模型來預測目標。

使用進階選項創建 SdcaNonCalibratedMulticlassTrainer ，利用線性多類別分類模型並以座標下降法訓練來預測目標。

創建 SdcaNonCalibratedMulticlassTrainer，利用使用座標下降法訓練的線性多類別分類模型來預測目標。

微調一個 NAS-BERT 模型以進行自然語言處理分類。 任何句子的上限為512個代幣。 每個單字通常對應一個詞元，我們會自動加入兩個特殊詞元（起始詞和分隔詞），因此一般來說，這個限制是所有句子的 510 字。

微調一個 NAS-BERT 模型以進行自然語言處理分類。 任何句子的上限為512個代幣。 每個單字通常對應一個詞元，我們會自動加入兩個特殊詞元（起始詞和分隔詞），因此一般來說，這個限制是所有句子的 510 字。