Microsoft.ML.Transforms Namespace

Ordnet Vektorspalten einem niedrigen -dimensional Featurebereich zu.

ITransformer ergibt sich aus der Anpassung eines ApproximatedKernelMappingEstimator.

Verkettet eine oder mehrere Eingabespalten in eine neue Ausgabespalte.

IEstimator<TTransformer> für die ColumnCopyingTransformer.

ITransformer ergibt sich aus der Einpassung eines ColumnCopyingEstimator.

Hält ausgewählte Spalten in einem IDataView.

ITransformer ergibt sich aus der Anpassung eines ColumnSelectingEstimator.

Wählt die Steckplätze aus, für die die Anzahl nicht standardmäßiger Werte größer oder gleich einem Schwellenwert ist.

Wendet eine benutzerdefinierte Zuordnungsfunktion auf die angegebenen Eingabespalten an. Das Ergebnis wird in Ausgabespalten angezeigt.

Der Basistyp für benutzerdefinierte Zuordnungsfabriken.

Platzieren Sie dieses Attribut auf einem Typ, damit es als benutzerdefinierte Zuordnungsfactory betrachtet wird.

ITransformer ergibt sich aus der Anpassung eines CustomMappingEstimator<TSrc,TDst>.

Dieser Schätzwert wendet einen vom Benutzer bereitgestellten Ausdruck (angegeben als Zeichenfolge) auf Eingabespaltenwerte an, um neue Ausgabespaltenwerte zu erzeugen.

Namespace, der Datentransformationskomponenten enthält.

Schätzer für FeatureContributionCalculatingTransformer. Berechnet modellspezifische Beiträge pro Feature zur Bewertung jedes Eingabevektors.

ITransformer ergibt sich aus der Einpassung eines FeatureContributionCalculatingEstimator.

Der gaussische Kernel.

Normalisiert (Skalen) Vektoren in der Eingabespalte, die die globale Kontrastnormalisierung anwendet.

Schätzwert für , der HashingTransformerhasht entweder einzelne wertige Spalten oder Vektorspalten. Bei Vektorspalten wird jeder Steckplatz separat hashen.

Beschreibt, wie der Transformator ein Säulenpaar behandelt.

ITransformer ergibt sich aus der Einpassung eines HashingEstimator.

Diese Klasse gibt an, welcher Kernel von der ApproximatedKernelTransformer. <seealso cref="T:Microsoft.ML.Transforms.ApproximatedKernelMappingEstimator"></seealso>.

Schätzer für KeyToBinaryVectorMappingTransformer. Konvertiert Schlüsseltypen in die entsprechende binäre Darstellung des ursprünglichen Werts.

ITransformer ergibt sich aus der Einpassung eines KeyToBinaryVectorMappingEstimator.

Schätzer für KeyToValueMappingTransformer. Konvertiert die Schlüsseltypen wieder in ihre ursprünglichen Werte.

ITransformer ergibt sich aus der Einpassung eines KeyToValueMappingEstimator.

Schätzer für KeyToVectorMappingTransformer. Ordnet den Wert eines Schlüssels einem Vektor bekannter Größe zu Single.

ITransformer ergibt sich aus der Einpassung eines KeyToVectorMappingEstimator.

Der Laplacian-Kernel.

Normalisiert (Skalen) Vektoren in der Eingabespalte auf die Einheitsnorm. Die Art der verwendeten Norm kann vom Benutzer angegeben werden.

Basisstimatorklasse für LpNormNormalizingEstimator und GlobalContrastNormalizingEstimator Normalisierer.

ITransformer aus der Anpassung eines LpNormNormalizingEstimator oder GlobalContrastNormalizingEstimator.

IEstimator<TTransformer> für die MissingValueIndicatorTransformer.

ITransformer ergibt sich aus der Einpassung eines MissingValueIndicatorEstimator.

IEstimator<TTransformer> für die MissingValueReplacingTransformer.

ITransformer ergibt sich aus der Einpassung eines MissingValueReplacingEstimator.

Wählt die oberen K-Steckplätze über alle angegebenen Spalten aus, die nach ihren gegenseitigen Informationen mit der Beschriftungsspalte sortiert sind (was Sie über die Beschriftung erfahren können, indem Sie den Wert der angegebenen Spalte beobachten).

IEstimator<TTransformer> für die NormalizingTransformer.

ITransformer ergibt sich aus der Anpassung eines NormalizingEstimator.

Die Modellparameter, die durch affine Normalisierungstransformationen generiert werden.

Die Modellparameter, die durch die Buckettisierung der Daten in Container generiert werden, mit monoton zunehmendem UpperBounds. Der Density Wert ist für die meisten Fälle konstant von Bin zu Bin. ///

Die Modellparameter, die durch kumulierte Verteilungsnormalisierungstransformationen generiert werden. Die kumulierte Dichtefunktion wird parametrisiert und Mean wird während der StandardDeviation Anpassung beobachtet.

Basisklasse für alle Datennormalisierungsmodelle wie NormalizingTransformer.AffineNormalizerModelParameters<TData>, NormalizingTransformer.BinNormalizerModelParameters<TData>, NormalizingTransformer.CdfNormalizerModelParameters<TData>.

Wandelt eine oder mehrere Eingabespalten von kategorisierten Werten in so viele Ausgabespalten von Vektoren um, die mit einem Heißcode codiert sind.

ITransformer ergibt sich aus der Einpassung eines OneHotEncodingEstimator.

Wandelt eine oder mehrere Eingabespalten von kategorisierten Werten in so viele Ausgabespalten von hashbasierten Vektoren mit nur einem Hot-Codierten um.

ITransformer ergibt sich aus der Einpassung eines OneHotHashEncodingEstimator.

PCA ist eine Transformation zur Dimensionalitätsreduktion, die die Projektion des Featurevektors auf einen Unterraum mit niedriger Rangfolge berechnet.

PCA ist eine Transformation zur Dimensionalitätsreduktion, die die Projektion des Featurevektors auf einen Unterraum mit niedriger Rangfolge berechnet.

Wendet eine benutzerdefinierte Zuordnungsfunktion auf die angegebenen Eingabespalten an, während ein Cursorstatus zugelassen wird. Das Ergebnis wird in Ausgabespalten angezeigt.

Der Basistyp für zustandsbehaftete benutzerdefinierte Zuordnungsfabriken.

ITransformer ergibt sich aus der Anpassung eines StatefulCustomMappingEstimator<TSrc,TDst,TState>.

Dies TensorFlowTransformer wird in den folgenden zwei Szenarien verwendet.

1. Bewertung mit vortrainiertem TensorFlow-Modell : In diesem Modus extrahiert die Transformation ausgeblendete Layerwerte aus einem vortrainierten Tensorflow-Modell und verwendet Ausgaben als Features in ML.Net Pipeline.
2. Umschulung des TensorFlow-Modells : In diesem Modus trainiert die Transformation ein TensorFlow-Modell mithilfe der Benutzerdaten, die über ML.Net Pipeline übergeben werden. Sobald das Modell trainiert wurde, kann es als Features für die Bewertung verwendet werden.

Diese Klasse enthält die Informationen im Zusammenhang mit dem TensorFlow-Modell und der Sitzung. Es bietet einige praktische Methoden zum Abfragen des Modellschemas sowie zum Erstellen von TensorFlowEstimator Objekten.

ITransformer für die TensorFlowEstimator.

Die Basisklasse für alle Transformationseingaben.

Schätzer für TypeConvertingTransformer. Konvertiert den zugrunde liegenden Eingabespaltentyp in einen neuen Typ. Die Eingabe- und Ausgabespaltentypen müssen kompatibel sein. PrimitiveDataViewType

ITransformer ergibt sich aus der Einpassung eines TypeConvertingEstimator.

Schätzator zum ValueMappingTransformer Erstellen einer Schlüsselwertzuordnung mithilfe der Wertepaare in den Eingabedaten PrimitiveDataViewType

Schätzator zum ValueMappingTransformer Erstellen einer Schlüsselwertzuordnung mithilfe der Wertepaare in den Eingabedaten PrimitiveDataViewType

ITransformer ergibt sich aus der Einpassung eines ValueMappingEstimator.

IEstimator<TTransformer> für die ValueToKeyMappingTransformer. Wandelt eine Reihe von kategorisierten Werten (z. B. Abkürzungen des US-Bundesstaats) in numerische Schlüsselwerte (z. B. 1-50) um. Der numerische Schlüssel kann direkt von Klassifizierungsalgorithmen verwendet werden.

ITransformer ergibt sich aus der Einpassung eines ValueToKeyMappingEstimator.

Namespace, der Datentransformationskomponenten enthält.

Namespace, der Datentransformationskomponenten enthält.

Diese Schnittstelle ermöglicht das Erweitern der ExprTransform-Sprache mit zusätzlichen Funktionen.

Namespace, der Datentransformationskomponenten enthält.

Die Art der Einheitsnormvektoren wird neu skaliert. Diese Enumeration wird serialisiert.

Die möglichen Möglichkeiten zum Ersetzen fehlender Werte.

Namespace, der Datentransformationskomponenten enthält.

Steuert die Reihenfolge der Ausgabetasten.

Welche Vektor-Whitening-Technik zu verwenden ist. ZCA-Whitening stellt sicher, dass die durchschnittliche Kovarianz zwischen weißer und ursprünglicher Variablen maximal ist. Im Gegensatz dazu führen PCA-Whitening zu maximal komprimierten weißen Variablen, gemessen durch quadratische Kovarianz.

Namespace, der Datentransformationskomponenten enthält.