TransformsCatalog Klasse

Definition

Namespace:: Microsoft.ML

Assembly:: Microsoft.ML.Data.dll

Paket:: Microsoft.ML v4.0.1

Paket:: Microsoft.ML v1.0.0

Paket:: Microsoft.ML v1.1.0

Paket:: Microsoft.ML v1.2.0

Paket:: Microsoft.ML v1.3.1

Paket:: Microsoft.ML v1.4.0

Paket:: Microsoft.ML v1.5.5

Paket:: Microsoft.ML v1.6.0

Paket:: Microsoft.ML v1.7.0

Paket:: Microsoft.ML v2.0.1

Paket:: Microsoft.ML v3.0.1

Paket:: Microsoft.ML v5.0.0-preview.1.25125.4

Quelle:: TransformsCatalog.cs

Quelle:: TransformsCatalog.cs

Quelle:: TransformsCatalog.cs

Wichtig

Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.

Klasse, die zum MLContext Erstellen von Instanzen von Transformationskomponenten verwendet wird.

public sealed class TransformsCatalog

type TransformsCatalog = class

Public NotInheritable Class TransformsCatalog

Vererbung: Object
TransformsCatalog

Eigenschaften

Name	Beschreibung
Categorical	Die Liste der Vorgänge über kategorisierte Daten.
Conversion	Die Liste der Vorgänge für die Datentypkonvertierung.
FeatureSelection	Die Liste der Vorgänge zum Auswählen von Features basierend auf einigen Kriterien.
Text	Die Liste der Vorgänge zum Verarbeiten von Textdaten.

Erweiterungsmethoden

Name	Beschreibung
ApplyOnnxModel(TransformsCatalog, OnnxOptions)	Erstellen Sie eine OnnxScoringEstimator mit dem angegebenen OnnxOptions. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, Stream, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die Eingabespalte anwendet. Eingabe-/Ausgabespalten werden basierend auf den Eingabe-/Ausgabespalten des bereitgestellten ONNX-Modells bestimmt. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, Stream, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die Eingabespalte anwendet. Eingabe-/Ausgabespalten werden basierend auf den Eingabe-/Ausgabespalten des bereitgestellten ONNX-Modells bestimmt. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die Eingabespalte anwendet. Eingabe-/Ausgabespalten werden basierend auf den Eingabe-/Ausgabespalten des bereitgestellten ONNX-Modells bestimmt. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die Eingabespalte anwendet. Eingabe-/Ausgabespalten werden basierend auf den Eingabe-/Ausgabespalten des bereitgestellten ONNX-Modells bestimmt. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, String, Stream, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnName` Spalte anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, String, Stream, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnName` Spalte anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnName` Spalte anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnName` Spalte anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], Stream, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnNames` Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], Stream, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnNames` Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], Stream, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnNames` Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnNames` Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnNames` Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)	Erstellen Sie ein OnnxScoringEstimator, das ein vortrainiertes Onnx-Modell auf die `inputColumnNames` Spalten anwendet. Weitere Informationen zu den erforderlichen Abhängigkeiten und zur Ausführung auf einer GPU finden OnnxScoringEstimator Sie unter .
ApproximatedKernelMap(TransformsCatalog, String, String, Int32, Boolean, KernelBase, Nullable<Int32>)	Erstellen Sie einen ApproximatedKernelMappingEstimator Wert, der Eingabevektoren einem eindimensionalen Featurebereich zuordnet, in dem innere Produkte einer shift-invariant-Kernelfunktion nähern.
CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)	Erstellen Sie eine FeatureContributionCalculatingEstimator , die modellspezifische Beitragsergebnisse für jedes Feature des Eingabevektors berechnet.
CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)	Erstellen Sie eine FeatureContributionCalculatingEstimator , die modellspezifische Beitragsergebnisse für jedes Feature des Eingabevektors berechnet. Unterstützt kalibrierte Modelle.
Concatenate(TransformsCatalog, String, String[])	Erstellen Sie eine ColumnConcatenatingEstimator, die eine oder mehrere Eingabespalten in eine neue Ausgabespalte verkettet.
ConvertToGrayscale(TransformsCatalog, String, String)	Erstellen Sie ein ImageGrayscalingEstimator, das Bilder in der spalte konvertiert, die in InputColumnName Graustufenbildern in einer neuen Spalte angegeben ist: OutputColumnName.
ConvertToImage(TransformsCatalog, Int32, Int32, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Int32, Int32, Int32, Int32)	Erstellen Sie ein VectorToImageConvertingEstimator, das Bild aus den Daten aus der Spalte erstellt, die in `inputColumnName` einer neuen Spalte angegeben ist: `outputColumnName`.
CopyColumns(TransformsCatalog, String, String)	Erstellen Sie eine ColumnCopyingEstimator, die die Daten aus der Spalte kopiert, die in `inputColumnName` einer neuen Spalte angegeben ist: `outputColumnName`.
CustomMapping<TSrc,TDst>(TransformsCatalog, Action<TSrc,TDst>, String, SchemaDefinition, SchemaDefinition)	Erstellen Sie eine CustomMappingEstimator<TSrc,TDst>, die eine benutzerdefinierte Zuordnung von Eingabespalten auf Ausgabespalten anwendet.
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Erstellen Sie SrCnnAnomalyEstimator, wodurch Zeitserienanomalien mithilfe des SRCNN-Algorithmus erkannt werden.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Erstellen Sie SsaChangePointEstimator, die Änderungspunkte in der Zeitreihe mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Veraltet. Erstellen Sie SsaChangePointEstimator, die Änderungspunkte in der Zeitreihe mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Erstellen Sie IidChangePointEstimator, die Änderungspunkte in einer unabhängigen, identisch verteilten (i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Veraltet. Erstellen Sie IidChangePointEstimator, die Änderungspunkte in einer unabhängigen, identisch verteilten (i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängig verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Veraltet. Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängig verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Erstellen Sie SsaSpikeEstimator, die Spitzen in Zeitreihen mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Veraltet. Erstellen Sie SsaSpikeEstimator, die Spitzen in Zeitreihen mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DnnFeaturizeImage(TransformsCatalog, String, Func<DnnImageFeaturizerInput,EstimatorChain<ColumnCopyingTransformer>>, String)	Erstellen Sie DnnImageFeaturizerEstimator, das eines der vortrainierten DNN-Modelle DnnImageModelSelector anwendet, um ein Bild zu featurieren.
DropColumns(TransformsCatalog, String[])	Erstellen Sie eine ColumnSelectingEstimator, die eine bestimmte Liste von Spalten aus einer IDataView. Alle nicht angegebenen Spalten werden in der Ausgabe beibehalten.
Expression(TransformsCatalog, String, String, String[])	Erstellt ein ExpressionEstimator.
ExtractPixels(TransformsCatalog, String, String, ImagePixelExtractingEstimator+ColorBits, ImagePixelExtractingEstimator+ColorsOrder, Boolean, Single, Single, Boolean)	Erstellen Sie eine ImagePixelExtractingEstimator, die Pixelwerte aus den in spalte angegebenen Daten extrahiert: `inputColumnName` in eine neue Spalte: `outputColumnName`.
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Erstellen Sie FastForestBinaryFeaturizationEstimator, die zum Trainieren FastForestBinaryTrainer zum Erstellen von strukturbasierten Features verwendet TreeEnsembleModelParameters wird.
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Erstellen Sie FastForestRegressionFeaturizationEstimator, die zum Trainieren FastForestRegressionTrainer zum Erstellen von strukturbasierten Features verwendet TreeEnsembleModelParameters wird.
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Erstellen Sie FastTreeBinaryFeaturizationEstimator, die zum Trainieren FastTreeBinaryTrainer zum Erstellen von strukturbasierten Features verwendet TreeEnsembleModelParameters wird.
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Erstellen Sie FastTreeRankingFeaturizationEstimator, die zum Trainieren FastTreeRankingTrainer zum Erstellen von strukturbasierten Features verwendet TreeEnsembleModelParameters wird.
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Erstellen Sie FastTreeRegressionFeaturizationEstimator, die zum Trainieren FastTreeRegressionTrainer zum Erstellen von strukturbasierten Features verwendet TreeEnsembleModelParameters wird.
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Erstellen Sie FastTreeTweedieFeaturizationEstimator, die zum Trainieren FastTreeTweedieTrainer zum Erstellen von strukturbasierten Features verwendet TreeEnsembleModelParameters wird.
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	Erstellen Sie PretrainedTreeFeaturizationEstimator, die strukturbasierte Features mit einem TreeEnsembleModelParameters.
IndicateMissingValues(TransformsCatalog, InputOutputColumnPair[])	Erstellen Sie eine MissingValueIndicatorEstimator, die die Daten aus der Spalte kopiert, die in InputColumnName einer neuen Spalte angegeben ist: OutputColumnName.
IndicateMissingValues(TransformsCatalog, String, String)	Erstellen Sie einen MissingValueIndicatorEstimator, der die Daten aus der spalte überprüft, die in `inputColumnName` der angegebenen Spalte angegeben ist, und füllt sie `outputColumnName` mit dem Vektor von Booleschen, wobei i-th-Bool den Wert `true` hat, wenn das i-th-Element in Spaltendaten einen fehlenden Wert aufweist und `false` andernfalls.
LoadImages(TransformsCatalog, String, String, String)	Erstellen Sie eine ImageLoadingEstimator, die die Daten aus der Spalte lädt, die als Bild in `inputColumnName` eine neue Spalte angegeben ist: `outputColumnName`.
LoadRawImageBytes(TransformsCatalog, String, String, String)	Erstellen Sie einen ImageLoadingEstimator, der die Daten aus der Spalte lädt, die als `inputColumnName` Bild von unformatierten Bytes in eine neue Spalte angegeben wird: `outputColumnName`.
NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	Erstellen Sie eine NormalizingEstimator, die normalisiert wird, indem Sie die Daten in Containern mit gleicher Dichte zuweisen.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	Erstellen Sie eine NormalizingEstimator, die normalisiert wird, indem Sie die Daten in Containern mit gleicher Dichte zuweisen.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Erstellen Sie eine GlobalContrastNormalizingEstimator, die Spalten einzeln normalisiert, wobei die normalisierung des globalen Kontrasts angewendet wird. Die Einstellung `ensureZeroMean` auf `true`, wendet einen Vorverarbeitungsschritt an, um den Mittelwert der angegebenen Spalte als Nullvektor festzulegen.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittelwert und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittelwert und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittelwert und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittelwert und der Varianz des Logarithmus der Daten normalisiert.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	Erstellen Sie einen Vektor , der Vektoren in der Eingabespalte auf die Einheitsnorm normalisiert .Create a LpNormNormalizingEstimator, which normalizes (scales) vectors in the input column to the unit norm. Die Art der verwendeten Norm wird durch `norm`definiert. Die Einstellung `ensureZeroMean` auf `true`, wendet einen Vorverarbeitungsschritt an, um den Mittelwert der angegebenen Spalte als Nullvektor festzulegen.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittelwert und der Varianz der Daten normalisiert.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	Erstellen Sie eine NormalizingEstimator, die basierend auf dem berechneten Mittelwert und der Varianz der Daten normalisiert.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Erstellen Sie ein NormalizingEstimator, das basierend auf den beobachteten Mindest- und Höchstwerten der Daten normalisiert wird.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	Erstellen Sie ein NormalizingEstimator, das basierend auf den beobachteten Mindest- und Höchstwerten der Daten normalisiert wird.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	Erstellen Sie eine NormalizingEstimator, die mithilfe von Statistiken normalisiert wird, die robust für Ausreißer sind, indem Sie die Daten um 0 zentrieren (entfernen des Medians) und die Daten entsprechend dem Quantilebereich skalieren (Standardwert für den Interquartilbereich).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	Erstellen Sie eine NormalizingEstimator, die mithilfe von Statistiken normalisiert wird, die robust für Ausreißer sind, indem Sie die Daten um 0 zentrieren (entfernen des Medians) und die Daten entsprechend dem Quantilebereich skalieren (Standardwert für den Interquartilbereich).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	Erstellen Sie eine NormalizingEstimator, die normalisiert wird, indem Sie die Daten basierend auf der Korrelation mit der `labelColumnName` Spalte in Containern zuweisen.
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	Erstellen Sie eine NormalizingEstimator, die normalisiert wird, indem Sie die Daten basierend auf der Korrelation mit der `labelColumnName` Spalte in Containern zuweisen.
ProjectToPrincipalComponents(TransformsCatalog, String, String, String, Int32, Int32, Boolean, Nullable<Int32>)	Initialisiert eine neue Instanz von PrincipalComponentAnalyzer.
ReplaceMissingValues(TransformsCatalog, InputOutputColumnPair[], MissingValueReplacingEstimator+ReplacementMode, Boolean)	Erstellen Sie eine ColumnCopyingEstimator, die die Daten aus der Spalte kopiert, die in InputColumnName einer neuen Spalte angegeben ist: OutputColumnName und ersetzt fehlende Werte darin entsprechend `replacementMode`.
ReplaceMissingValues(TransformsCatalog, String, String, MissingValueReplacingEstimator+ReplacementMode, Boolean)	Erstellen Sie eine MissingValueReplacingEstimator, die die Daten aus der Spalte kopiert, die in `inputColumnName` einer neuen Spalte angegeben ist: `outputColumnName` und ersetzt fehlende Werte darin entsprechend `replacementMode`.
ResizeImages(TransformsCatalog, String, Int32, Int32, String, ImageResizingEstimator+ResizingKind, ImageResizingEstimator+Anchor)	Erstellen Sie ein ImageResizingEstimator, das die Größe des Bilds aus der spalte, die in `inputColumnName` einer neuen Spalte angegeben ist: `outputColumnName`.
SelectColumns(TransformsCatalog, String[], Boolean)	Erstellen Sie eine ColumnSelectingEstimator, die eine bestimmte Liste von Spalten in einer IDataView und die anderen speichert.
SelectColumns(TransformsCatalog, String[])	Erstellen Sie eine ColumnSelectingEstimator, die eine bestimmte Liste von Spalten in einer IDataView und die anderen speichert.
StatefulCustomMapping<TSrc,TDst,TState>(TransformsCatalog, Action<TSrc,TDst,TState>, Action<TState>, String)	Erstellen Sie eine StatefulCustomMappingEstimator<TSrc,TDst,TState>, die eine benutzerdefinierte Zuordnung von Eingabespalten auf Ausgabespalten anwendet und gleichzeitig einen Cursorstatus zulässt.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Verwendet eine Spalte, die mit einem Vektor zufälliger Variablen mit einer bekannten Kovarianzmatrix gefüllt ist, in eine Reihe neuer Variablen, deren Kovarianz die Identitätsmatrix ist, d. h., sie sind nicht korreliert und verfügen jeweils über Abweichung 1.

Gilt für: