Microsoft.ML.Trainers Obor názvů

Třída argumentů pro průměrované lineární školitele.

Základní třída pro průměrované lineární školitele.

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného s průměrným perceptronem.

Možnosti pro pole použité v AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)nástroji AveragedPerceptronTrainer .

Představuje objekt statistiky koeficientu obsahující statistiku o počítaných parametrech modelu.

Vypočítá matici směrodatné odchylky každé z nenulových trénovacích vah, potřebných k dalšímu výpočtu směrodatné odchylky, p-hodnoty a skóre z. Použijte implementaci této třídy v balíčku Microsoft.ML.Mkl.Components, který používá knihovnu Intel Math Kernel Library. Vzhledem k existenci regularizace se k výpočtu odchylek trénovaných lineárních koeficientů používá aproximace.

Obor názvů obsahující školitele, parametry modelu a nástroje

Exponenciální ztráta, která se běžně používá v úlohách klasifikace.

Tato třída implementuje exponenciální pokles rychlosti učení. Implementované z dokumentace tensorflow. Zdroj: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Výchozí hodnoty a implementace rychlosti učení jsou z testů modelu Tensorflow Slim. Zdroj: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Podpora výpočtu příspěvku na funkci

Parametry modelu pro FieldAwareFactorizationMachineTrainer.

Obor názvů obsahující školitele, parametry modelu a nástroje

Předpovědět IEstimator<TTransformer> cíl pomocí modelu faktorizačního stroje pracujícího s polem natrénovaného pomocí stochastické gradientní metody.

FieldAwareFactorizationMachineTrainer.Options pro FieldAwareFactorizationMachineTrainer , jak se používá v FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Pant Loss, běžně používaný při klasifikačních úlohách.

Obor názvů obsahující školitele, parametry modelu a nástroje

Trénování IEstimator<TTransformer> clustereru KMeans

Možnosti pro, jak se KMeansTrainer používají v KMeansTrainer(Options).

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního logistického regresního modelu vytrénovaného metodou L-BFGS.

Možnosti pro , jak se LbfgsLogisticRegressionBinaryTrainer používají v LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Predikce IEstimator<TTransformer> cíle pomocí klasifikátoru maximální entropie s více třídami vytrénovaným metodou L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options pro LbfgsMaximumEntropyMulticlassTrainer , jak se používá v LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

Trénování IEstimator<TTransformer> Poissonova regresního modelu.

Možnosti pro hodnotu použitou LbfgsPoissonRegressionTrainer v LbfgsPoissonRegression(Options).

Základní třída možností pro odhadce školitele odvozené zLbfgsTrainerBase<TOptions,TTransformer,TModel>.

Základní třída pro trenéry založené na L-BFGS.

Obor názvů obsahující školitele, parametry modelu a nástroje

Předpovědět IEstimator<TTransformer> cíl pomocí nelineárního binárního klasifikačního modelu vytrénovaného pomocí místního hlubokého SVM.

Obor názvů obsahující školitele, parametry modelu a nástroje

Tato abstraktní třída definuje plánovač rychlosti učení.

Třída parametrů modelu pro odhady lineárních binárních školitelů.

Základní třída pro parametry lineárního modelu.

Statistika parametrů lineárního modelu

Lineární model klasifikátorů s více třídami. Vypíše nezpracovaná skóre všech svých lineárních modelů a není k dispozici žádný pravděpodobný výstup.

Běžný lineární model klasifikátorů s více třídami LinearMulticlassModelParameters obsahuje jeden lineární model pro každou třídu.

Parametry modelu pro lineární regresi

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného pomocí lineárního SVM.

Možnosti pro pole použité v LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)nástroji LinearSvmTrainer .

Obor názvů obsahující školitele, parametry modelu a nástroje

Ztráta protokolu, označovaná také jako křížová ztráta entropie. Běžně se používá v úlohách klasifikace.

Tato třída implementuje lineární pravidlo škálování a rozpad LR. Implementace převzatá z srovnávacího testu RESNET-CIFAR v Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Predikce IEstimator<TTransformer> prvků v matici pomocí faktorizace matice (označované také jako typ filtrování založeného na spolupráci).

Možnosti pro, jak se MatrixFactorizationTrainer používají v MatrixFactorization(Options).

Lineární maximální entropie modelu klasifikátorů s více třídami. Vypíše pravděpodobnosti tříd. Tento model se také označuje jako multinomická logistická regrese. Podrobnosti najdete v tématu https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Obor názvů obsahující školitele, parametry modelu a nástroje

Obecná základní třída pro všechny parametry modelu.

Statistika parametrů lineárního modelu

Parametry modelu pro NaiveBayesMulticlassTrainer.

Pro IEstimator<TTransformer> trénování vícetřídového modelu Naive Bayes, který podporuje binární hodnoty funkcí.

Parametry modelu pro OlsTrainer.

Trénování IEstimator<TTransformer> modelu lineární regrese pomocí běžných nejmenších čtverců (OLS) pro odhad parametrů lineárního regresního modelu.

Možnosti pro, jak se OlsTrainer používají v Ols(Options)

Parametry modelu pro OneVersusAllTrainer.

Pro IEstimator<TTransformer> trénování klasifikátoru s více třídami, který používá zadaný binární klasifikátor.

Pro IEstimator<TTransformer> trénování modelu lineární regrese pomocí online gradientního sestupu (OGD) pro odhad parametrů modelu lineární regrese.

Možnosti pro, jak se OnlineGradientDescentTrainer používá v OnlineGradientDescent(Options).

Třída argumentů pro online lineární školitele.

Základní třída pro online lineární školitele. Online školitele je možné postupně aktualizovat pomocí dalších dat.

Parametry modelu pro PairwiseCouplingTrainer.

Pro IEstimator<TTransformer> trénování vícetřídní klasifikátoru párového spojení, který používá zadaný binární klasifikátor.

Parametry modelu pro RandomizedPcaTrainer.

Funkce Poisson Loss pro Poissonovu regresi.

Parametry modelu pro Poissonova regrese.

Tato třída implementuje rozpad rychlosti polynomického učení. Implementované z dokumentace tensorflow. Zdroj: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Výchozí hodnoty a implementace rychlosti učení jsou z testů modelu Tensorflow Slim. Zdroj: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Parametry modelu pro PriorTrainer.

Pro IEstimator<TTransformer> predikci cíle pomocí binárního klasifikačního modelu.

The IEstimator<TTransformer> pro trénování přibližné PCA pomocí randomizovaného algoritmu SVD.

Možnosti pro, jak se RandomizedPcaTrainer používá v RandomizedPca(Options).

Parametry modelu pro regresi

Možnosti pro SdcaBinaryTrainerBase<TModelParameters>.

SDCA je obecný trénovací algoritmus pro (zobecněné) lineární modely, jako je podpůrný vektorový stroj, lineární regrese, logistická regrese atd. Řada školitelů binární klasifikace SDCA obsahuje několik zapečetěných členů: (1) SdcaNonCalibratedBinaryTrainer podporuje obecné ztrátové funkce a vrací LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer v podstatě trénuje model regularizované logistické regrese. Vzhledem k tomu, že logistická regrese přirozeně poskytuje výstup pravděpodobnosti, je CalibratedModelParametersBase<TSubModel,TCalibrator>tento vygenerovaný model typu . kde TSubModel je LinearBinaryModelParameters a TCalibrator je PlattCalibrator.

Pro IEstimator<TTransformer> trénování binárního modelu klasifikace logistické regrese pomocí stochastické metody duální souřadnice. Natrénovaný model je kalibrován a může vytvořit pravděpodobnost tím, že výstupní hodnotu lineární funkce dosadí .PlattCalibrator

Možnosti pro, jak se SdcaLogisticRegressionBinaryTrainer používá v SdcaLogisticRegression(Options).

Chcete-li IEstimator<TTransformer> předpovědět cíl pomocí klasifikátoru maximální entropie s více třídami. Natrénovaný model MaximumEntropyModelParameters vytváří pravděpodobnosti tříd.

SdcaMaximumEntropyMulticlassTrainer.Options pro SdcaMaximumEntropyMulticlassTrainer , jak se používá v SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Možnosti pro SdcaMulticlassTrainerBase<TModel>.

Chcete-li IEstimator<TTransformer> předpovědět cíl pomocí lineárního klasifikátoru s více třídami vytrénovaným metodou souřadnicového sestupu. V závislosti na použité ztrátové funkci může být trénovaným modelem například klasifikátor maximální entropie nebo podpůrný vektorový stroj s více třídami.

Pro IEstimator<TTransformer> trénování binárního klasifikačního modelu logistické regrese pomocí metody stochastického výstupu duální souřadnice.

Možnosti pro SdcaNonCalibratedBinaryTrainer.

PředpovědětIEstimator<TTransformer> cíl pomocí lineárního klasifikátoru s více třídami. Vytrénovaný model LinearMulticlassModelParameters vytváří pravděpodobnosti tříd.

SdcaNonCalibratedMulticlassTrainer.Options pro SdcaNonCalibratedMulticlassTrainer , jak se používá v SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

Pro IEstimator<TTransformer> trénování regresního modelu pomocí metody stochastického výstupu se dvěma souřadnicemi.

Možnosti pro SdcaRegressionTrainer.

Možnosti pro školitele založené na SDCA.

Obor názvů obsahující školitele, parametry modelu a nástroje

Obor názvů obsahující školitele, parametry modelu a nástroje

Obor názvů obsahující školitele, parametry modelu a nástroje

Pro IEstimator<TTransformer> trénování logistické regrese pomocí metody paralelního stochastického gradientu. Vytrénovaný model je kalibrován a může vytvořit pravděpodobnost tím, že výstupní hodnotu lineární funkce předá do PlattCalibrator.

Možnosti pro, jak se SgdCalibratedTrainer používají v SgdCalibrated(Options).

Pro IEstimator<TTransformer> trénování logistické regrese pomocí metody paralelního stochastického gradientu.

Možnosti pro, SgdNonCalibratedTrainer jak se používají v SgdNonCalibrated(Options).

Plynulá verze funkce, která se HingeLoss běžně používá v úlohách klasifikace.

Kvadraná ztráta, běžně používaná v regresních úlohách.

Obor názvů obsahující školitele, parametry modelu a nástroje

Předpovědět IEstimator<TTransformer> cíl pomocí lineárního binárního klasifikačního modelu vytrénovaného pomocí symbolického stochastického gradientního sestupu.

Možnosti pro, jak se SymbolicSgdLogisticRegressionBinaryTrainer používají v SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Představuje základní třídu pro "jednoduchého školitele". "Jednoduchý školitel" přijímá jeden sloupec funkce a jeden sloupec popisku, volitelně také sloupec hmotnosti. Vytváří "prediktivní transformátor".

Představuje základní třídu pro "jednoduchého školitele". "Jednoduchý školitel" přijímá jeden sloupec funkce a jeden sloupec popisku, volitelně také sloupec hmotnosti. Vytváří "prediktivní transformátor".

Základní třída pro všechny vstupy školitele.

Základní třída pro všechny vstupy školitele, které podporují skupinový sloupec.

Základní třída pro všechny vstupy školitele, které podporují sloupec Label.

Základní třída pro všechny vstupy trenéra, které podporují sloupec hmotnosti.

Ztráta tweedie na základě pravděpodobnosti rozdělení tweedie v protokolu. Tato funkce ztráty se používá v regresi Tweedie.

Základní třída pro všechny vstupy školitele bez supervize, které podporují sloupec hmotnosti.

Tato struktura představuje typ položky plánovače rychlosti učení.

Umožňuje podporu výpočtu příspěvku funkce podle parametrů modelu.

Obor názvů obsahující školitele, parametry modelu a nástroje

Obor názvů obsahující školitele, parametry modelu a nástroje

Obor názvů obsahující školitele, parametry modelu a nástroje

Obor názvů obsahující školitele, parametry modelu a nástroje

Obor názvů obsahující školitele, parametry modelu a nástroje

Funkce ztráty může znát blízké řešení optimální duální aktualizace Ref: Sec(6.2) of http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Obor názvů obsahující školitele, parametry modelu a nástroje

Rozhraní pro trainer Estimator.

Obor názvů obsahující školitele, parametry modelu a nástroje

Typ funkce ztráty.