Microsoft.ML.Trainers Namespace

Arguments-Klasse für gemittelte lineare Trainer.

Basisklasse für gemittelte lineare Trainer.

Der IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorherzusagen, das mit dem gemittelten Perceptron trainiert wurde.

Optionen für die AveragedPerceptronTrainer , wie in AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)verwendet.

Stellt ein Koeffizientenstatistikobjekt dar, das Statistiken zu den berechneten Modellparametern enthält.

Berechnet die Standardabweichungsmatrix jeder Trainingsgewichtung ungleich Null, die erforderlich ist, um die Standardabweichung, den p-Wert und den Z-Score weiter zu berechnen. Verwenden Sie die Implementierung dieser Klasse im Microsoft.ML.Mkl.Components-Paket, das die Intel Math Kernel Library verwendet. Aufgrund des Vorhandenseins einer Regularisierung wird eine Näherung verwendet, um die Varianzen der trainierten linearen Koeffizienten zu berechnen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Exponentieller Verlust, der häufig in Klassifizierungsaufgaben verwendet wird.

Diese Klasse implementiert den Verfall der Exponential Learning-Rate. Implementiert aus der Tensorflow-Dokumentation. Quelle: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Standardwerte und Implementierung der Lernrate stammen aus Tensorflow Slim-Modelltests. Quelle: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Unterstützung für die Berechnung des Featurebeitrags.

Modellparameter für FieldAwareFactorizationMachineTrainer.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines feldfähigen Factorisierungsmaschinenmodells vorherzusagen, das mit einer stochastischen Gradientenmethode trainiert wurde.

FieldAwareFactorizationMachineTrainer.Options für FieldAwareFactorizationMachineTrainer , wie in FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)verwendet.

Scharnierverlust, häufig in Klassifizierungsaufgaben verwendet.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die IEstimator<TTransformer> zum Trainieren eines KMeans-Clusterers

Optionen für, KMeansTrainer wie in KMeansTrainer(Options) verwendet.

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen logistischen Regressionsmodells vorherzusagen, das mit der L-BFGS-Methode trainiert wurde.

Optionen für die LbfgsLogisticRegressionBinaryTrainer , wie in LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Die IEstimator<TTransformer> , um ein Ziel mit einem maximalen Entropie-Multiklassenklassifizierungs-Klassifizierer vorherzusagen, der mit der L-BFGS-Methode trainiert wurde.

LbfgsMaximumEntropyMulticlassTrainer.Options für LbfgsMaximumEntropyMulticlassTrainer , wie in LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)verwendet.

Die IEstimator<TTransformer> zum Trainieren eines Poisson-Regressionsmodells.

Optionen für, LbfgsPoissonRegressionTrainer wie in LbfgsPoissonRegression(Options) verwendet.

Basisoptionsklasse für Trainerschätzungen, die vonLbfgsTrainerBase<TOptions,TTransformer,TModel> abgeleitet werden.

Basisklasse für L-BFGS-basierte Trainer.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines nichtlinearen binären Klassifizierungsmodells vorherzusagen, das mit local Deep SVM trainiert wurde.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Diese abstrakte Klasse definiert einen Lernratenplaner.

Die Modellparameterklasse für lineare binäre Trainerschätzungen.

Basisklasse für lineare Modellparameter.

Statistiken für lineare Modellparameter.

Lineares Modell von Multiklassenklassifizierern. Es gibt rohe Bewertungen aller linearen Modelle aus, und es wird keine probablistische Ausgabe bereitgestellt.

Allgemeines lineares Modell von Multiklassenklassifizierern. LinearMulticlassModelParameters enthält ein einzelnes lineares Modell pro Klasse.

Modellparameter für die lineare Regression.

Die IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorherzusagen, das mit Linear SVM trainiert wurde.

Optionen für die LinearSvmTrainer , wie in LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)verwendet.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Der Protokollverlust, auch bekannt als Kreuzentropieverlust. Es wird häufig in Klassifizierungsaufgaben verwendet.

Diese Klasse implementiert eine lineare Skalierungsregel und LR-Verfall. Implementierung aus dem RESNET-CIFAR-Benchmarktest in Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Der IEstimator<TTransformer> , der Elemente in einer Matrix mithilfe der Matrixfaktorisierung vorhersagt (auch bekannt als eine Art der kollaborativen Filterung).

Optionen für, MatrixFactorizationTrainer wie in MatrixFactorization(Options) verwendet.

Lineares maximales Entropiemodell von Multiklassenklassifizierern. Es gibt Klassenwahrscheinlichkeiten aus. Dieses Modell wird auch als multinomiale logistische Regression bezeichnet. Weitere Informationen finden Sie unter https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Generische Basisklasse für alle Modellparameter.

Statistiken für lineare Modellparameter.

Modellparameter für NaiveBayesMulticlassTrainer.

Die IEstimator<TTransformer> zum Trainieren eines mehrklassigen Naive Bayes-Modells, das binäre Featurewerte unterstützt.

Modellparameter für OlsTrainer.

Die IEstimator<TTransformer> zum Trainieren eines linearen Regressionsmodells mit gewöhnlichen kleinsten Quadraten (OLS) zum Schätzen der Parameter des linearen Regressionsmodells.

Optionen für , OlsTrainer wie in Ols(Options) verwendet

Modellparameter für OneVersusAllTrainer.

Die IEstimator<TTransformer> zum Trainieren eines 1-versus-all-Klassenklassifizierers, der den angegebenen binären Klassifizierer verwendet.

Die IEstimator<TTransformer> zum Trainieren eines linearen Regressionsmodells mithilfe von Online Gradient Descent (OGD) zum Schätzen der Parameter des linearen Regressionsmodells.

Optionen für , OnlineGradientDescentTrainer wie in OnlineGradientDescent(Options) verwendet.

Arguments-Klasse für lineare Onlinetrainer.

Basisklasse für lineare Onlinetrainer. Online-Trainer können inkrementell mit zusätzlichen Daten aktualisiert werden.

Modellparameter für PairwiseCouplingTrainer.

Die IEstimator<TTransformer> zum Trainieren eines paarweisen Kopplungs-Multiklassenklassifizierers, der den angegebenen binären Klassifizierer verwendet.

Modellparameter für RandomizedPcaTrainer.

Poisson Loss-Funktion für Poisson Regression.

Modellparameter für Poisson-Regression.

Diese Klasse implementiert polynomialen Lernratenzerfall. Implementiert aus der Tensorflow-Dokumentation. Quelle: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Standardwerte und Implementierung der Lernrate stammen aus Tensorflow Slim-Modelltests. Quelle: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Modellparameter für PriorTrainer.

Die IEstimator<TTransformer> zum Vorhersagen eines Ziels mithilfe eines binären Klassifizierungsmodells.

Die IEstimator<TTransformer> zum Trainieren einer ungefähren PCA mithilfe des randomisierten SVD-Algorithmus.

Optionen für, RandomizedPcaTrainer wie in RandomizedPca(Options) verwendet.

Modellparameter für die Regression.

Optionen für SdcaBinaryTrainerBase<TModelParameters>.

SDCA ist ein allgemeiner Trainingsalgorithmus für (generalisierte) lineare Modelle wie Unterstützungsvektormaschine, lineare Regression, logistische Regression usw. SDCA-Binärklassifizierungstrainerfamilie umfasst mehrere versiegelte Member: (1) SdcaNonCalibratedBinaryTrainer unterstützt allgemeine Verlustfunktionen und gibt zurück LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer trainiert im Wesentlichen ein regularisiertes logistisches Regressionsmodell. Da die logistische Regression natürlich eine Wahrscheinlichkeitsausgabe bereitstellt, ist CalibratedModelParametersBase<TSubModel,TCalibrator>der Typ dieses generierten Modells . dabei TSubModel ist LinearBinaryModelParameters und TCalibrator ist PlattCalibrator.

Die IEstimator<TTransformer> zum Trainieren eines binären logistischen Regressionsklassifizierungsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode. Das trainierte Modell wird kalibriert und kann eine Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion in ein PlattCalibrator-Objekt eingespeist wird.

Optionen für, SdcaLogisticRegressionBinaryTrainer wie in SdcaLogisticRegression(Options) verwendet.

Die IEstimator<TTransformer> , um ein Ziel mit einem maximalen Entropie-Multiklassenklassifizierungs-Klassifizierer vorherzusagen. Das trainierte Modell MaximumEntropyModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

SdcaMaximumEntropyMulticlassTrainer.Options für SdcaMaximumEntropyMulticlassTrainer wie verwendet in SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Optionen für .SdcaMulticlassTrainerBase<TModel>

Der IEstimator<TTransformer> , der ein Ziel mithilfe eines linearen Multiklassenklassifizierermodells vorhersagt, das mit einer Koordinatenabstiegsmethode trainiert wurde. Abhängig von der verwendeten Verlustfunktion kann das trainierte Modell z. B. ein maximaler Entropieklassifizierer oder eine Mehrklassen-Unterstützungsvektormaschine sein.

Die IEstimator<TTransformer> zum Trainieren eines binären logistischen Regressionsklassifizierungsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode.

Optionen für .SdcaNonCalibratedBinaryTrainer

DieIEstimator<TTransformer> , um ein Ziel mithilfe eines linearen Multiklassenklassifizierers vorherzusagen. Das trainierte Modell LinearMulticlassModelParameters erzeugt Wahrscheinlichkeiten von Klassen.

SdcaNonCalibratedMulticlassTrainer.Options für SdcaNonCalibratedMulticlassTrainer , wie in SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)verwendet.

Die IEstimator<TTransformer> zum Trainieren eines Regressionsmodells mit der stochastischen Dualkoordinaten-Aufstiegsmethode.

Optionen für .SdcaRegressionTrainer

Optionen für die SDCA-basierten Trainer.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die IEstimator<TTransformer> zum Trainieren der logistischen Regression mit einer parallelen stochastischen Gradientenmethode. Das trainierte Modell wird kalibriert und kann eine Wahrscheinlichkeit erzeugen, indem der Ausgabewert der linearen Funktion in ein PlattCalibrator-Objekt eingespeist wird.

Optionen für, SgdCalibratedTrainer wie in SgdCalibrated(Options) verwendet.

Die IEstimator<TTransformer> zum Trainieren der logistischen Regression mit einer parallelen stochastischen Gradientenmethode.

Optionen für , SgdNonCalibratedTrainer wie in SgdNonCalibrated(Options) verwendet.

Eine reibungslose Version der Funktion, die HingeLoss häufig in Klassifizierungsaufgaben verwendet wird.

Der quadratische Verlust, der häufig in Regressionsaufgaben verwendet wird.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Der IEstimator<TTransformer> , um ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorherzusagen, das mit dem symbolischen stochastischen Gradientenabstieg trainiert wurde.

Optionen für die SymbolicSgdLogisticRegressionBinaryTrainer , wie in SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)verwendet.

Dies stellt eine Basisklasse für "simple trainer" dar. Ein "einfacher Trainer" akzeptiert eine Featurespalte und eine Bezeichnungsspalte, optional auch eine Gewichtungsspalte. Es erzeugt einen "Vorhersagetransformator".

Dies stellt eine Basisklasse für "simple trainer" dar. Ein "einfacher Trainer" akzeptiert eine Featurespalte und eine Bezeichnungsspalte, optional auch eine Gewichtungsspalte. Es erzeugt einen "Vorhersagetransformator".

Die Basisklasse für alle Trainereingaben.

Die Basisklasse für alle Trainereingaben, die eine Gruppenspalte unterstützen.

Die Basisklasse für alle Trainereingaben, die eine Label-Spalte unterstützen.

Die Basisklasse für alle Trainereingaben, die eine Gewichtungsspalte unterstützen.

Tweedie-Verlust, basierend auf der Protokollwahrscheinlichkeit der Tweedie-Verteilung. Diese Verlustfunktion wird in der Tweedie-Regression verwendet.

Die Basisklasse für alle nicht überwachten Trainereingaben, die eine Gewichtungsspalte unterstützen.

Diese Struktur stellt einen Elementtyp des Lernratenplans dar.

Ermöglicht die Unterstützung für die Berechnung des Featurebeitrags nach Modellparametern.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Die Loss-Funktion kennt möglicherweise die Nahformlösung für die optimale duale Aktualisierung Ref: Sec(6.2) von http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Schnittstelle für den Trainer-Estimator.

Namespace mit Trainern, Modellparametern und Hilfsprogrammen.

Typ der Verlustfunktion.