Microsoft.ML.Trainers Spazio dei nomi

Classe argomenti per i formatori lineari medi.

Classe di base per i formatori lineari medi.

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria lineare sottoposto a training con la perceptron media.

Opzioni per l'oggetto AveragedPerceptronTrainer usato in AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Rappresenta un oggetto statistiche coefficiente contenente statistiche sui parametri del modello calcolato.

Calcola la matrice di deviazione standard di ognuno dei pesi di training non zero, necessari per calcolare ulteriormente la deviazione standard, p-value e z-Score. Usare l'implementazione di questa classe nel pacchetto Microsoft.ML.Mkl.Components che usa intel Math Kernel Library. A causa dell'esistenza della regolarizzazione, viene usata un'approssimazione per calcolare le varianza dei coefficienti lineari sottoposti a training.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Perdita esponenziale, comunemente usata nelle attività di classificazione.

Questa classe implementa il decadimento della frequenza di apprendimento esponenziale. Implementato dalla documentazione di tensorflow. Origine: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay i valori predefiniti e l'implementazione della frequenza di apprendimento provengono dai test del modello Tensorflow Slim. Fonte : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Supporto per il calcolo dei contributi delle funzionalità.

Parametri del modello per FieldAwareFactorizationMachineTrainer.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di macchina a fattorizzazione compatibile con il campo sottoposto a training usando un metodo gradiente stocastico.

FieldAwareFactorizationMachineTrainer.Options per FieldAwareFactorizationMachineTrainer come usato in FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Perdita della cerniera, comunemente usata nelle attività di classificazione.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Oggetto IEstimator<TTransformer> per il training di un clusterer KMeans

Opzioni per l'oggetto KMeansTrainer usato in KMeansTrainer(Options).

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di regressione logistica lineare sottoposto a training con il metodo L-BFGS.

Opzioni per l'oggetto LbfgsLogisticRegressionBinaryTrainer usato in LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Classe IEstimator<TTransformer> per stimare una destinazione usando un classificatore multiclasse di entropia massimo sottoposto a training con il metodo L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options per LbfgsMaximumEntropyMulticlassTrainer come usato in LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

Oggetto IEstimator<TTransformer> per il training di un modello di regressione poisson.

Opzioni per l'oggetto LbfgsPoissonRegressionTrainer usato in LbfgsPoissonRegression(Options).

Classe di opzioni di base per gli estimatori del formatore derivati daLbfgsTrainerBase<TOptions,TTransformer,TModel> .

Classe di base per i formatori basati su L-BFGS.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria non lineare sottoposto a training con SVM profonda locale.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Questa classe astratta definisce un'utilità di pianificazione della frequenza di apprendimento.

Classe dei parametri del modello per gli estimatori del formatore binario lineare.

Classe base per i parametri del modello lineare.

Statistiche per i parametri del modello lineare.

Modello lineare di classificatori multiclasse. Restituisce punteggi non elaborati di tutti i modelli lineari e non viene fornito alcun output probabile.

Modello lineare comune di classificatori multiclasse. LinearMulticlassModelParameters contiene un singolo modello lineare per ogni classe.

Parametri del modello per la regressione lineare.

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria lineare sottoposto a training con Linear SVM.

Opzioni per l'oggetto LinearSvmTrainer usato in LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Perdita del log, nota anche come perdita di entropia incrociata. Viene comunemente usato nelle attività di classificazione.

Questa classe implementa la regola di ridimensionamento lineare e il decadimento LR. Implementazione adottata da RESNET-CIFAR test benchmark in Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Oggetto IEstimator<TTransformer> per stimare gli elementi in una matrice usando la fattorizzazione della matrice (noto anche come tipo di filtro collaborativo).

Opzioni per l'oggetto MatrixFactorizationTrainer usato in MatrixFactorization(Options).

Modello di entropia massima lineare di classificatori multiclasse. Restituisce le probabilità delle classi. Questo modello è noto anche come regressione logistica multinomiale. Per informazioni dettagliate, vedere https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Classe di base generica per tutti i parametri del modello.

Statistiche per i parametri del modello lineare.

Parametri del modello per NaiveBayesMulticlassTrainer.

Oggetto IEstimator<TTransformer> per il training di un modello Naive Bayes multiclasse che supporta i valori delle caratteristiche binarie.

Parametri del modello per OlsTrainer.

Oggetto IEstimator<TTransformer> per il training di un modello di regressione lineare usando i quadrati minimi ordinari (OLS) per stimare i parametri del modello di regressione lineare.

Opzioni per l'oggetto OlsTrainer usato in Ols(Options)

Parametri del modello per OneVersusAllTrainer.

Oggetto IEstimator<TTransformer> per il training di un classificatore multiclasse uno o più classi che usa il classificatore binario specificato.

Per IEstimator<TTransformer> eseguire il training di un modello di regressione lineare tramite OGD (Online Gradient Descent) per stimare i parametri del modello di regressione lineare.

Opzioni per l'oggetto OnlineGradientDescentTrainer utilizzato in OnlineGradientDescent(Options).

Classe argomenti per i formatori lineari online.

Classe base per i formatori lineari online. I trainer online possono essere aggiornati in modo incrementale con dati aggiuntivi.

Parametri del modello per PairwiseCouplingTrainer.

Oggetto IEstimator<TTransformer> per il training di un classificatore multiclasse di accoppiamento pairwise che usa il classificatore binario specificato.

Parametri del modello per RandomizedPcaTrainer.

Funzione Poisson Loss per Poisson Regression.

Parametri del modello per Poisson Regression.

Questa classe implementa il decadimento della frequenza di apprendimento polinomiale. Implementato dalla documentazione di tensorflow. Origine: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay i valori predefiniti e l'implementazione della frequenza di apprendimento provengono dai test del modello Tensorflow Slim. Fonte : https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Parametri del modello per PriorTrainer.

Oggetto IEstimator<TTransformer> per la stima di una destinazione tramite un modello di classificazione binaria.

Oggetto IEstimator<TTransformer> per il training di un PCA approssimativo usando l'algoritmo SVD randomizzato.

Opzioni per l'oggetto RandomizedPcaTrainer usato in RandomizedPca(Options).

Parametri del modello per la regressione.

Opzioni per SdcaBinaryTrainerBase<TModelParameters>.

SDCA è un algoritmo di training generale per modelli lineari (generalizzati), ad esempio la macchina a vettori di supporto, la regressione lineare, la regressione logistica e così via. La famiglia di trainer di classificazione binaria SDCA include diversi membri sealed: (1) SdcaNonCalibratedBinaryTrainer supporta funzioni di perdita generali e restituisce LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer esegue essenzialmente il training di un modello di regressione logistica regolarizzata. Poiché la regressione logistica fornisce naturalmente output di probabilità, il tipo del modello generato è CalibratedModelParametersBase<TSubModel,TCalibrator>. dove TSubModel è LinearBinaryModelParameters e TCalibrator è PlattCalibrator.

Oggetto IEstimator<TTransformer> per il training di un modello di classificazione di regressione logistica binaria usando il metodo di ascente a doppia coordinata stocastica. Il modello sottoposto a training viene calibrato e può produrre probabilità inserendo il valore di output della funzione lineare a un oggetto PlattCalibrator.

Opzioni per l'oggetto SdcaLogisticRegressionBinaryTrainer usato in SdcaLogisticRegression(Options).

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un classificatore multiclasse di entropia massimo. Il modello MaximumEntropyModelParameters sottoposto a training produce probabilità di classi.

SdcaMaximumEntropyMulticlassTrainer.Options per SdcaMaximumEntropyMulticlassTrainer come usato in SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Opzioni per il SdcaMulticlassTrainerBase<TModel>.

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificatore multiclasse lineare sottoposto a training con un metodo di discesa delle coordinate. A seconda della funzione di perdita usata, il modello sottoposto a training può essere, ad esempio, il classificatore di entropia massimo o la macchina a vettori di supporto multiclasse.

Oggetto IEstimator<TTransformer> per il training di un modello di classificazione di regressione logistica binaria usando il metodo di ascente a doppia coordinata stocastica.

Opzioni per il SdcaNonCalibratedBinaryTrainer.

OggettoIEstimator<TTransformer> per stimare una destinazione usando un classificatore multiclasse lineare. Il modello LinearMulticlassModelParameters sottoposto a training produce probabilità di classi.

SdcaNonCalibratedMulticlassTrainer.Options per SdcaNonCalibratedMulticlassTrainer come usato in SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

Oggetto IEstimator<TTransformer> per il training di un modello di regressione utilizzando il metodo di ascente a doppia coordinata stocastica.

Opzioni per il SdcaRegressionTrainer.

Opzioni per i trainer basati su SDCA.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Oggetto IEstimator<TTransformer> per il training della regressione logistica tramite un metodo sfumato stocastico parallelo. Il modello sottoposto a training viene calibrato e può produrre probabilità inserendo il valore di output della funzione lineare a un oggetto PlattCalibrator.

Opzioni per l'oggetto SgdCalibratedTrainer usato in SgdCalibrated(Options).

Oggetto IEstimator<TTransformer> per il training della regressione logistica tramite un metodo sfumato stocastico parallelo.

Opzioni per l'oggetto SgdNonCalibratedTrainer usato in SgdNonCalibrated(Options).

Versione uniforme della HingeLoss funzione, comunemente usata nelle attività di classificazione.

Perdita quadrata, comunemente usata nelle attività di regressione.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Oggetto IEstimator<TTransformer> per stimare una destinazione usando un modello di classificazione binaria lineare sottoposto a training con la discesa simbolica del gradiente stocastico.

Opzioni per l'oggetto SymbolicSgdLogisticRegressionBinaryTrainer usato in SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Rappresenta una classe di base per il "semplice trainer". Un "trainer semplice" accetta una colonna di funzionalità e una colonna etichetta, anche facoltativamente una colonna di spessore. Produce un "trasformatore di stima".

Rappresenta una classe di base per il "semplice trainer". Un "trainer semplice" accetta una colonna di funzionalità e una colonna etichetta, anche facoltativamente una colonna di spessore. Produce un "trasformatore di stima".

Classe di base per tutti gli input del formatore.

Classe di base per tutti gli input del formatore che supportano una colonna di gruppo.

Classe di base per tutti gli input del formatore che supportano una colonna Label.

Classe di base per tutti gli input del formatore che supportano una colonna peso.

Perdita tweedie, in base alla probabilità di log della distribuzione tweedie. Questa funzione di perdita viene usata nella regressione tweedie.

Classe di base per tutti gli input del formatore non supervisionati che supportano una colonna di peso.

Questa struttura rappresenta un tipo di elemento dell'utilità di pianificazione della frequenza di apprendimento

Consente il supporto per il calcolo del contributo di funzionalità in base ai parametri del modello.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

La funzione di perdita può conoscere la soluzione close-form per l'aggiornamento doppio ottimale Ref: Sec(6.2) di http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Interfaccia per l'analizzatore di training.

Spazio dei nomi contenente trainer, parametri del modello e utilità.

Tipo di funzione di perdita.