TransformsCatalog 類別

分類資料上的操作清單。

資料型別轉換的操作清單。

根據某些條件選擇特徵的操作清單。

處理文字資料的操作清單。

使用指定的 OnnxOptions建立 OnnxScoringEstimator 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到輸入欄位。 輸入/輸出欄位是根據所提供 ONNX 模型的輸入/輸出欄位決定的。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到輸入欄位。 輸入/輸出欄位是根據所提供 ONNX 模型的輸入/輸出欄位決定的。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到輸入欄位。 輸入/輸出欄位是根據所提供 ONNX 模型的輸入/輸出欄位決定的。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到輸入欄位。 輸入/輸出欄位是根據所提供 ONNX 模型的輸入/輸出欄位決定的。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnName 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnName 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnName 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnName 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnNames 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnNames 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnNames 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnNames 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnNames 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 OnnxScoringEstimator，將預先訓練好的 Onnx 模型套用到欄位 inputColumnNames 。 請參考相關 OnnxScoringEstimator 資料了解更多必要的相依性，以及如何在 GPU 上執行。

建立一個 ApproximatedKernelMappingEstimator 將輸入向量映射到低維特徵空間，其中內積近似一個移位不變的核函數。

建立一個 FeatureContributionCalculatingEstimator ，計算輸入向量中每個特徵的模型特有貢獻分數。

建立一個 FeatureContributionCalculatingEstimator ，計算輸入向量中每個特徵的模型特有貢獻分數。 支援校正過的模型。

建立一個 ColumnConcatenatingEstimator，將一個或多個輸入欄位串接到新的輸出欄位中。

建立一個 ImageGrayscalingEstimator，將欄位中的 InputColumnName 影像轉換成新欄位的灰階影像： OutputColumnName。

建立一個 VectorToImageConvertingEstimator，將指定inputColumnName欄位的資料生成影像，並建立新的欄位。 outputColumnName

建立一個 ColumnCopyingEstimator，將指定欄位中的資料 inputColumnName 複製到新欄位： outputColumnName。

建立一個 CustomMappingEstimator<TSrc,TDst>，該欄位會套用輸入欄位與輸出欄位的自訂映射。

Create SrCnnAnomalyEstimator，利用 SRCNN 演算法偵測時間序列異常。

創建 SsaChangePointEstimator，利用 奇異頻譜分析（SSA）預測時間序列中的變化點。

創建 SsaChangePointEstimator，利用 奇異頻譜分析（SSA）預測時間序列中的變化點。

創建 IidChangePointEstimator，根據自適應核密度估計與馬丁格爾分數，預測 獨立同分布（i.i.d.） 時間序列中的變化點。

創建 IidChangePointEstimator，根據自適應核密度估計與馬丁格爾分數，預測 獨立同分布（i.i.d.） 時間序列中的變化點。

Create IidSpikeEstimator，根據自適應核密度估計與馬丁格爾分數，預測 獨立同分布（i.i.d.） 時間序列中的尖峰。

Create IidSpikeEstimator，根據自適應核密度估計與馬丁格爾分數，預測 獨立同分布（i.i.d.） 時間序列中的尖峰。

Create SsaSpikeEstimator，利用 奇異頻譜分析（SSA）預測時間序列中的尖峰。

Create SsaSpikeEstimator，利用 奇異頻譜分析（SSA）預測時間序列中的尖峰。

Create DnnImageFeaturizerEstimator，該工具會將預先訓練好的 DNN 模型應用於 中 DnnImageModelSelector ，來裝飾一張影像。

建立一個 ColumnSelectingEstimator，從 中丟棄給定的欄位 IDataView列表。 未指定的欄位將保留在輸出中。

建立 ExpressionEstimator。

建立一個 ImagePixelExtractingEstimator，將欄位中指定的inputColumnName資料中像素值提取到新的欄位。 outputColumnName

Create FastForestBinaryFeaturizationEstimator，用 FastForestBinaryTrainer 來訓練 TreeEnsembleModelParameters 建立樹狀特徵。

Create FastForestRegressionFeaturizationEstimator，用 FastForestRegressionTrainer 來訓練 TreeEnsembleModelParameters 建立樹狀特徵。

Create FastTreeBinaryFeaturizationEstimator，用 FastTreeBinaryTrainer 來訓練 TreeEnsembleModelParameters 建立樹狀特徵。

Create FastTreeRankingFeaturizationEstimator，用 FastTreeRankingTrainer 來訓練 TreeEnsembleModelParameters 建立樹狀特徵。

Create FastTreeRegressionFeaturizationEstimator，用 FastTreeRegressionTrainer 來訓練 TreeEnsembleModelParameters 建立樹狀特徵。

Create FastTreeTweedieFeaturizationEstimator，用 FastTreeTweedieTrainer 來訓練 TreeEnsembleModelParameters 建立樹狀特徵。

創建 PretrainedTreeFeaturizationEstimator，給定 TreeEnsembleModelParameters，產生樹狀特徵。

建立一個 MissingValueIndicatorEstimator，將指定欄位中的資料 InputColumnName 複製到新欄位： OutputColumnName。

建立一個 MissingValueIndicatorEstimator，掃描欄位 inputColumnName 中指定的資料，並用布爾向量填滿新的 outputColumnName 欄位，其中第 i 個布爾值為 ， true 若欄位資料第 i 個元素缺失值，否則 false 為 。

建立一個 ImageLoadingEstimator，將指定 inputColumnName 欄位中以影像形式的資料載入到新的欄位： outputColumnName。

建立一個 ImageLoadingEstimator，將欄位中指定的 inputColumnName 原始位元組映像資料載入新欄位： outputColumnName。

建立一個 NormalizingEstimator，透過將資料分配到密度相等的分箱來正規化。

建立一個 NormalizingEstimator，透過將資料分配到密度相等的分箱來正規化。

建立一個 GlobalContrastNormalizingEstimator，可以應用全域對比度正規化，逐欄正規化。 將 設 ensureZeroMean 為 true，將進行預處理步驟，使指定欄位的平均值為零向量。

建立一個 NormalizingEstimator，根據計算出的資料對數的平均值與變異數進行正規化。

建立一個 NormalizingEstimator，根據計算出的資料對數的平均值與變異數進行正規化。

建立一個 NormalizingEstimator，根據計算出的資料對數的平均值與變異數進行正規化。

建立一個 NormalizingEstimator，根據計算出的資料對數的平均值與變異數進行正規化。

建立一個 LpNormNormalizingEstimator，將輸入欄位中的向量正規化（縮放）為單位範數。 所使用的範數類型由定義為 norm。 將 設 ensureZeroMean 為 true，將進行預處理步驟，使指定欄位的平均值為零向量。

建立一個 NormalizingEstimator，根據計算出的資料平均值與變異數進行正規化。

建立一個 NormalizingEstimator，根據計算出的資料平均值與變異數進行正規化。

建立一個 NormalizingEstimator，根據觀察到的資料最小值與最大值進行正規化。

建立一個 NormalizingEstimator，根據觀察到的資料最小值與最大值進行正規化。

建立一個 NormalizingEstimator，利用對離群值具有魯棒性的統計量進行正規化，方法是將資料中心置於 0（移除中位數），並根據分位數範圍（預設為四分位數範圍）來縮放資料。

建立一個 NormalizingEstimator，利用對離群值具有魯棒性的統計量進行正規化，方法是將資料中心置於 0（移除中位數），並根據分位數範圍（預設為四分位數範圍）來縮放資料。

建立一個 NormalizingEstimator，透過將資料分配到與 labelColumnName 欄位相關性中的 bin 來正規化。

建立一個 NormalizingEstimator，透過將資料分配到與 labelColumnName 欄位相關性中的 bin 來正規化。

初始化一個新的 實 PrincipalComponentAnalyzer例。

建立一個 ColumnCopyingEstimator，將欄位中指定的 InputColumnName 資料複製到新欄位： OutputColumnName 並依照 replacementMode替換缺失值。

建立一個 MissingValueReplacingEstimator，將欄位中指定的 inputColumnName 資料複製到新欄位： outputColumnName 並依照 replacementMode替換缺失值。

建立一個 ImageResizingEstimator，將圖片從指定的 inputColumnName 欄位調整到新的欄位大小： outputColumnName。

建立一個 ColumnSelectingEstimator，它會保留給定的欄位清單， IDataView 並刪除其他欄位。

建立一個 ColumnSelectingEstimator，它會保留給定的欄位清單， IDataView 並刪除其他欄位。

建立一個 StatefulCustomMappingEstimator<TSrc,TDst,TState>，該欄位將輸入欄位對應輸出欄位的自訂映射，同時允許每游標狀態。

將一欄填滿已知協方差矩陣的隨機變數向量，分成一組新變數，其協變數為單位矩陣，意即它們不相關且各自變異數為1。