Microsoft.ML.Trainers 命名空間

平均線性訓練器的論證課程。

平均線性訓練器的基礎類別。

使用 IEstimator<TTransformer> 一個線性二元分類模型，並以平均感知器訓練，預測目標。

選項如 AveragedPerceptronTrainer 同 在 中 AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)所用。

代表包含計算模型參數統計的係數統計物件。

計算每個非零訓練權重的標準差矩陣，進一步計算標準差、p 值與 z 分數。 請在使用 Intel Math 核心函式庫的 Microsoft.ML.Mkl.Components 套件中使用此類別的實作。 由於存在正則化，計算訓練線性係數的變異數時會使用近似方法。

包含訓練器、模型參數與工具的命名空間。

指數損失，常用於分類任務。

此類別實作指數學習率衰減。 這是根據 tensorflow 文件實作的。 來源： https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay 預設值與學習率實作來自 Tensorflow Slim 模型測試。 資料來源： https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

支援功能貢獻計算。

模型參數 。FieldAwareFactorizationMachineTrainer

包含訓練器、模型參數與工具的命名空間。

利用 IEstimator<TTransformer> 場感因式分解機模型，並以隨機梯度法訓練，預測目標。

FieldAwareFactorizationMachineTrainer.Options 當 在 FieldAwareFactorizationMachineTrainer 中所用 FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)。

鉸鏈損失，常用於分類任務中。

包含訓練器、模型參數與工具的命名空間。

訓練 IEstimator<TTransformer> KMeans 叢集儀

KMeansTrainer中使用的選項。

利用 IEstimator<TTransformer> 使用 L-BFGS 方法訓練的線性邏輯迴歸模型來預測目標。

選項如下LbfgsLogisticRegressionBinaryTrainerLbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

利用 IEstimator<TTransformer> L-BFGS 方法訓練的最大熵多類分類器來預測目標。

LbfgsMaximumEntropyMulticlassTrainer.Options 當 在 LbfgsMaximumEntropyMulticlassTrainer 中所用 LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)。

用來 IEstimator<TTransformer> 訓練泊松迴歸模型。

LbfgsPoisson迴歸（選項）中使用的LbfgsPoissonRegressionTrainer選項。

訓練師估算器的基礎選項類別。LbfgsTrainerBase<TOptions,TTransformer,TModel>

L-BFGS基礎訓練機的基礎級別。

包含訓練器、模型參數與工具的命名空間。

利用 IEstimator<TTransformer> 非線性二元分類模型，並以局部深度SVM訓練，預測目標。

包含訓練器、模型參數與工具的命名空間。

這個抽象類別定義了學習速率排程器。

線性二元訓練器估計器的模型參數類別。

線性模型參數的基底類別。

線性模型參數的統計學。

多類別分類器的線性模型。 它會輸出所有線性模型的原始分數，且不提供機率性輸出。

多類分類器的常見線性模型。 LinearMulticlassModelParameters 每個類別包含一個線性模型。

線性迴歸的模型參數。

利用 IEstimator<TTransformer> 線性二元分類模型，並以線性SVM訓練，預測目標。

選項如 LinearSvmTrainer 同 在 中 LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)所用。

包含訓練器、模型參數與工具的命名空間。

對數損失，也稱為交叉熵損失。 它常用於分類任務中。

此類別實作線性縮放規則與 LR 衰減。 實作採用自 Tensorflow Slim 的基準測試 RESNET-CIFAR。 https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

利用 IEstimator<TTransformer> 矩陣分解（也稱為 協同過濾）來預測矩陣中的元素。

矩陣分解（選項）中使用的MatrixFactorizationTrainer選項。

多類分類器的線性最大熵模型。 它輸出類別的機率。 此模型亦稱為多項式邏輯斯迴歸。 詳情請參閱 https://en.wikipedia.org/wiki/Multinomial_logistic_regression 。

包含訓練器、模型參數與工具的命名空間。

所有模型參數的通用基底類別。

線性模型參數的統計學。

模型參數 。NaiveBayesMulticlassTrainer

用於 IEstimator<TTransformer> 訓練支援二元特徵值的多類別 Naive Bayes 模型。

模型參數 。OlsTrainer

用於 IEstimator<TTransformer> 訓練線性迴歸模型，使用 普通最小平方法（OLS） 來估計線性迴歸模型的參數。

Ols 中使用的 OlsTrainer 選項 （選項）

模型參數 。OneVersusAllTrainer

用於 IEstimator<TTransformer> 訓練一個一對全多類別分類器，使用指定的二元分類器。

用於 IEstimator<TTransformer> 訓練線性迴歸模型，使用線上梯 度下降（OGD） 來估計線性迴歸模型的參數。

OnlineGradientDescent（Options）中所使用的選項OnlineGradientDescentTrainer。

線上線性訓練師的論證課程。

線上線性訓練器的基礎類別。 線上訓練器可以逐步更新，加入更多資料。

模型參數 。PairwiseCouplingTrainer

用於 IEstimator<TTransformer> 訓練一個使用指定二元分類器的成對耦合多類別分類器。

模型參數 。RandomizedPcaTrainer

泊松迴歸的泊松損失函數。

泊松迴歸模型參數。

此類別實作多項式學習率衰減。 這是根據 tensorflow 文件實作的。 來源： https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay 預設值與學習率實作來自 Tensorflow Slim 模型測試。 資料來源： https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

模型參數 。PriorTrainer

用於 IEstimator<TTransformer> 使用二元分類模型預測目標。

用於 IEstimator<TTransformer> 使用隨機SVD演算法訓練近似PCA。

隨機化PCA（選項）中使用的選項RandomizedPcaTrainer。

迴歸模型參數。

SdcaBinaryTrainerBase<TModelParameters>的選項。

SDCA 是一種通用訓練演算法，用於（廣義化）線性模型，例如支持向量機、線性迴歸、邏輯斯迴歸等。 SDCA 二元分類訓練器家族包含數個密封成員：（1） SdcaNonCalibratedBinaryTrainer 支援一般損失函數與回波 LinearBinaryModelParameters。 （2） SdcaLogisticRegressionBinaryTrainer 本質上訓練一個正則化邏輯迴歸模型。 由於邏輯迴歸自然會產生機率輸出，因此此生成模型的型態為 CalibratedModelParametersBase<TSubModel,TCalibrator>。 其中 TSubModel 是 LinearBinaryModelParameters ，且 TCalibrator 是 PlattCalibrator。

用於 IEstimator<TTransformer> 使用隨機雙重座標上升法訓練二元邏輯斯迴歸分類模型。 訓練好的模型經過 校正 ，並可透過將線性函數 PlattCalibrator的輸出值輸入 來產生機率。

SdcaLogisticRegression（Options）中所使用的選項SdcaLogisticRegressionBinaryTrainer。

用最大 IEstimator<TTransformer> 熵多類分類器來預測目標。 訓練好的模型 MaximumEntropyModelParameters 產生類別的機率。

SdcaMaximumEntropyMulticlassTrainer.Options 當 SdcaMaximumEntropyMulticlassTrainer 用於 SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

選項 SdcaMulticlassTrainerBase<TModel>.

利用 IEstimator<TTransformer> 線性多類別分類器模型，並以座標下降法訓練，預測目標。 根據所使用的損失函數，訓練模型可以是例如最大熵分類器或多類別支持向量機。

用於 IEstimator<TTransformer> 使用隨機雙重座標上升法訓練二元邏輯斯迴歸分類模型。

選項 SdcaNonCalibratedBinaryTrainer.

用IEstimator<TTransformer> 線性多類別分類器來預測目標。 訓練好的模型 LinearMulticlassModelParameters 產生類別的機率。

SdcaNonCalibratedMulticlassTrainer.Options 當 在 SdcaNonCalibratedMulticlassTrainer 中所用 SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)。

用於 IEstimator<TTransformer> 使用隨機對偶座標上升法訓練迴歸模型。

選項 SdcaRegressionTrainer.

針對基於SDCA的訓練師選擇。

包含訓練器、模型參數與工具的命名空間。

包含訓練器、模型參數與工具的命名空間。

包含訓練器、模型參數與工具的命名空間。

用於 IEstimator<TTransformer> 使用平行隨機梯度方法訓練邏輯迴歸。 訓練好的模型經過 校正 ，並可透過將線性函數 PlattCalibrator的輸出值輸入 來產生機率。

SgdCalibrated（Options） 中使用的SgdCalibratedTrainer選項。

用於 IEstimator<TTransformer> 使用平行隨機梯度方法訓練邏輯迴歸。

SgdNonCalibratedTrainer選項如同 SgdNonCalibrated（Options） 中所用。

這是函數的平滑版本 HingeLoss ，常用於分類任務中。

平方損失，常用於迴歸任務。

包含訓練器、模型參數與工具的命名空間。

使用 IEstimator<TTransformer> 以符號隨機梯度下降訓練的線性二元分類模型來預測目標。

選項如 SymbolicSgdLogisticRegressionBinaryTrainer 同 在 中 SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)所用。

這代表了「簡單訓練師」的基本類別。 「簡單訓練器」可接受一欄特徵欄和一欄標籤欄，亦可選擇加一欄重量欄。 它產生一個「預測變換器」。

這代表了「簡單訓練師」的基本類別。 「簡單訓練器」可接受一欄特徵欄和一欄標籤欄，亦可選擇加一欄重量欄。 它產生一個「預測變換器」。

所有訓練者輸入的基礎類別。

所有支援群組欄位的訓練器輸入的基礎類別。

所有支援 Label 欄位的訓練器輸入的基底類別。

所有支援重量欄的訓練器輸入的基礎類別。

根據 Tweedie 分布的對數似然度，這是 Tweedie 損失。 此損失函數用於 Tweedie 迴歸。

所有支援重量欄的無監督訓練器輸入的基礎類別。

此結構代表學習速率排程器的項目類型

允許支援依模型參數計算特徵貢獻。

包含訓練器、模型參數與工具的命名空間。

包含訓練器、模型參數與工具的命名空間。

包含訓練器、模型參數與工具的命名空間。

包含訓練器、模型參數與工具的命名空間。

包含訓練器、模型參數與工具的命名空間。

損失函數可能已知最佳對偶更新的閉形式解 參考：第6.2節 http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

包含訓練器、模型參數與工具的命名空間。

訓練師估算器的介面。

包含訓練器、模型參數與工具的命名空間。

損失功能類型。