Microsoft.ML.Trainers Ad Alanı

Ortalama doğrusal eğitmenler için bağımsız değişkenler sınıfı.

Ortalama doğrusal eğitmenler için temel sınıf.

Ortalama IEstimator<TTransformer> algı ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.

içinde AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)kullanılan için AveragedPerceptronTrainer seçenekleri.

Hesaplanan model parametreleriyle ilgili istatistikleri içeren bir katsayı istatistik nesnesini temsil eder.

Standart sapmayı, p-değerini ve z-Puanını daha fazla hesaplamak için gereken sıfır olmayan eğitim ağırlıklarının her birinin standart sapma matrisini hesaplar. Intel Matematik Çekirdek Kitaplığı'nı kullanan Microsoft.ML.Mkl.Components paketinde bu sınıfın uygulamasını kullanın. Düzenlileştirmenin varlığı nedeniyle, eğitilen doğrusal katsayıların varyanslarını hesaplamak için bir yaklaşık değer kullanılır.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Üstel Kayıp, sınıflandırma görevlerinde yaygın olarak kullanılır.

Bu sınıf Üstel Öğrenme hızı bozulmalarını uygular. Tensorflow belgelerinden uygulanır. Kaynak: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Öğrenme oranının varsayılan değerleri ve uygulanması Tensorflow İnce model testlerinden alınıyor. Kaynak: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Özellik katkı hesaplama desteği.

için FieldAwareFactorizationMachineTrainermodel parametreleri.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

IEstimator<TTransformer> Stokastik gradyan yöntemi kullanılarak eğitilen bir alan algılayan faktörizasyon makine modeli kullanarak hedefi tahmin etme.

FieldAwareFactorizationMachineTrainer.Optionsiçinde FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)kullanıldığı gibi içinFieldAwareFactorizationMachineTrainer.

Sınıflandırma görevlerinde yaygın olarak kullanılan Menteşe Kaybı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

IEstimator<TTransformer> KMeans kümeleyicisini eğitme için

KMeansTrainer(Seçenekler)'de kullanılan için KMeansTrainer seçenekleri.

IEstimator<TTransformer> L-BFGS yöntemiyle eğitilen doğrusal lojistik regresyon modelini kullanarak hedefi tahmin etme.

içinde kullanılan için LbfgsLogisticRegressionBinaryTrainer seçenekler LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

IEstimator<TTransformer> L-BFGS yöntemiyle eğitilen maksimum entropi çok sınıflı sınıflandırıcı kullanarak hedefi tahmin etme.

LbfgsMaximumEntropyMulticlassTrainer.Optionsiçinde LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)kullanıldığı gibi içinLbfgsMaximumEntropyMulticlassTrainer.

IEstimator<TTransformer> Poisson regresyon modelini eğitme.

lbfgsPoissonRegression(Seçenekler) içinde kullanılan için LbfgsPoissonRegressionTrainer seçenekleri.

Eğitmen tahmin araçları için temel seçenekler sınıfı türetilirLbfgsTrainerBase<TOptions,TTransformer,TModel>.

L-BFGS tabanlı eğitmenler için temel sınıf.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

IEstimator<TTransformer> Yerel Derin SVM ile eğitilmiş doğrusal olmayan bir ikili sınıflandırma modeli kullanarak hedefi tahmin etme.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Bu soyut sınıf, bir öğrenme oranı zamanlayıcısı tanımlar.

Doğrusal ikili eğitmen tahmin araçları için model parametreleri sınıfı.

Doğrusal model parametreleri için temel sınıf.

Doğrusal model parametreleri için istatistikler.

Çok sınıflı sınıflandırıcıların doğrusal modeli. Tüm doğrusal modellerinin ham puanlarını alır ve olasılığa dayalı çıkış sağlanmadı.

Çok sınıflı sınıflandırıcıların ortak doğrusal modeli. LinearMulticlassModelParameters sınıf başına tek bir doğrusal model içerir.

Doğrusal regresyon için model parametreleri.

IEstimator<TTransformer> Doğrusal SVM ile eğitilen doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.

içinde LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)kullanılan için LinearSvmTrainer seçenekleri.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Çapraz Entropi Kaybı olarak da bilinen Günlük Kaybı. Sınıflandırma görevlerinde yaygın olarak kullanılır.

Bu sınıf doğrusal ölçeklendirme kuralı ve LR bozulması uygular. Tensorflow incesinde RESNET-CIFAR karşılaştırma testinden benimsenen uygulama. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

IEstimator<TTransformer> Matris çarpanlarını kullanarak matristeki öğeleri tahmin etme (işbirliğine dayalı filtreleme türü olarak da bilinir).

MatrixFactorization(Options) içinde kullanılan için MatrixFactorizationTrainer seçenekleri.

Çok sınıflı sınıflandırıcıların doğrusal maksimum entropi modeli. Sınıf olasılıklarını verir. Bu model, çok terimli lojistik regresyon olarak da bilinir. Ayrıntılar için lütfen bakın https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Tüm model parametreleri için genel temel sınıf.

Doğrusal model parametreleri için istatistikler.

için NaiveBayesMulticlassTrainermodel parametreleri.

İkili IEstimator<TTransformer> özellik değerlerini destekleyen çok sınıflı bir Naive Bayes modelini eğiten için.

için OlsTrainermodel parametreleri.

IEstimator<TTransformer> Doğrusal regresyon modelinin parametrelerini tahmin etmek için normal en küçük kareler (OLS) kullanarak doğrusal regresyon modelini eğitme.

OlsTrainer Ols'ta kullanılan için seçenekler(Seçenekler)

için OneVersusAllTrainermodel parametreleri.

IEstimator<TTransformer> Belirtilen ikili sınıflandırıcıyı kullanan bire bir çok sınıflı sınıflandırıcıyı eğiten için.

IEstimator<TTransformer> Doğrusal regresyon modelinin parametrelerini tahmin etmek için Çevrimiçi Gradyan Azalma (OGD) kullanarak doğrusal regresyon modelini eğitme.

OnlineGradientDescentTrainerOnlineGradientDescent(Seçenekler) içinde kullanılan için seçenekleri.

Online doğrusal eğitmenler için bağımsız değişkenler sınıfı.

Online doğrusal eğitmenler için temel sınıf. Online eğitmenler ek verilerle artımlı olarak güncelleştirilebilir.

için PairwiseCouplingTrainermodel parametreleri.

Belirtilen IEstimator<TTransformer> ikili sınıflandırıcıyı kullanan çift yönlü bir bağlama çok sınıflı sınıflandırıcıyı eğitme için.

için RandomizedPcaTrainermodel parametreleri.

Poisson Regresyonu için Poisson Loss işlevi.

Poisson Regresyonu için model parametreleri.

Bu sınıf polinomsal Öğrenme hızı bozulmalarını uygular. Tensorflow belgelerinden uygulanır. Kaynak: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Öğrenme oranının varsayılan değerleri ve uygulanması Tensorflow İnce model testlerinden alınıyor. Kaynak: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

için PriorTrainermodel parametreleri.

İkili IEstimator<TTransformer> sınıflandırma modeli kullanarak hedefi tahmin etme.

IEstimator<TTransformer> Rastgele SVD algoritması kullanarak yaklaşık bir PCA eğitimi için.

RandomizedPca(Seçenekler) içinde kullanılan için RandomizedPcaTrainer seçenekleri.

Regresyon için model parametreleri.

için SdcaBinaryTrainerBase<TModelParameters>seçenekler.

SDCA, destek vektör makinesi, doğrusal regresyon, lojistik regresyon gibi doğrusal modeller için (genelleştirilmiş) genel bir eğitim algoritmasıdır. SDCA ikili sınıflandırma eğitmen ailesi birkaç korumalı üye içerir: (1) SdcaNonCalibratedBinaryTrainer genel kayıp fonksiyonlarını destekler ve döndürür LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer temelde düzenli bir lojistik regresyon modeli eğitmektedir. Lojistik regresyon doğal olarak olasılık çıkışı sağladığından, oluşturulan bu modelin türü olur CalibratedModelParametersBase<TSubModel,TCalibrator>. where TSubModel is LinearBinaryModelParameters and TCalibrator is PlattCalibrator.

IEstimator<TTransformer> stokastik çift koordinatlı yükseliş yöntemini kullanarak ikili lojistik regresyon sınıflandırma modelini eğitmek için. Eğitilen model kalibre edilir ve doğrusal işlevin çıkış değerini bir PlattCalibratoröğesine besleyerek olasılık üretebilir.

SdcaLogisticRegression(Options) içinde kullanılan için SdcaLogisticRegressionBinaryTrainer seçenekleri.

Entropi IEstimator<TTransformer> çok sınıflı entropi sınıflandırıcısı kullanarak hedefi tahmin etme. Eğitilen model MaximumEntropyModelParameters sınıfların olasılıklarını üretir.

SdcaMaximumEntropyMulticlassTrainer.Options for for SdcaMaximumEntropyMulticlassTrainer as used in SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

için SdcaMulticlassTrainerBase<TModel>seçenekler.

Koordinat IEstimator<TTransformer> azalma yöntemiyle eğitilmiş doğrusal bir çok sınıflı sınıflandırıcı modeli kullanarak hedefi tahmin etme. Kullanılan kayıp işlevine bağlı olarak, eğitilen model entropi sınıflandırıcı veya çok sınıflı destek vektör makinesi olabilir.

IEstimator<TTransformer> stokastik çift koordinatlı yükseliş yöntemini kullanarak ikili lojistik regresyon sınıflandırma modelini eğitmek için.

için SdcaNonCalibratedBinaryTrainerseçenekler.

IEstimator<TTransformer> Doğrusal çok sınıflı sınıflandırıcı kullanarak hedefi tahmin etme. Eğitilen model LinearMulticlassModelParameters sınıfların olasılıklarını üretir.

SdcaNonCalibratedMulticlassTrainer.Optionsiçinde SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)kullanıldığı gibi içinSdcaNonCalibratedMulticlassTrainer.

IEstimator<TTransformer> Stokastik çift koordinatlı yükseliş yöntemini kullanarak regresyon modelini eğitmek için.

için SdcaRegressionTrainerseçenekler.

SDCA tabanlı eğitmenler için seçenekler.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

IEstimator<TTransformer> Paralel stokastik gradyan yöntemi kullanarak lojistik regresyon eğitimi için. Eğitilen model kalibre edilir ve doğrusal işlevin çıkış değerini bir PlattCalibratoröğesine besleyerek olasılık üretebilir.

SgdCalibratedTrainerSgdCalibrated(Seçenekler)'de kullanılan için seçenekleri.

IEstimator<TTransformer> Paralel stokastik gradyan yöntemi kullanarak lojistik regresyon eğitimi için.

SgdNonCalibratedTrainerSgdNonCalibrated(Seçenekler)'de kullanılan için seçenekleri.

Sınıflandırma görevlerinde yaygın olarak kullanılan, işlevin HingeLoss sorunsuz bir sürümü.

Regresyon görevlerinde yaygın olarak kullanılan Kareli Kayıp.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

IEstimator<TTransformer> Sembolik stokastik gradyan azalmasıyla eğitilmiş doğrusal ikili sınıflandırma modelini kullanarak hedefi tahmin etme.

içinde SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)kullanılan için SymbolicSgdLogisticRegressionBinaryTrainer seçenekleri.

Bu, 'basit eğitmen' için temel bir sınıfı temsil eder. 'Basit eğitmen' bir özellik sütununu ve bir etiket sütununu, isteğe bağlı olarak bir ağırlık sütununu kabul eder. Bir 'tahmin transformatörü' üretir.

Bu, 'basit eğitmen' için temel bir sınıfı temsil eder. 'Basit eğitmen' bir özellik sütununu ve bir etiket sütununu, isteğe bağlı olarak bir ağırlık sütununu kabul eder. Bir 'tahmin transformatörü' üretir.

Tüm eğitmen girişleri için temel sınıf.

Bir grup sütununu destekleyen tüm eğitmen girişleri için temel sınıf.

Etiket sütununu destekleyen tüm eğitmen girişleri için temel sınıf.

Ağırlık sütununu destekleyen tüm eğitmen girişleri için temel sınıf.

Tweedie dağılımının günlük olasılığına bağlı olarak weedie kaybı. Bu kayıp işlevi, Tweedie regresyonunda kullanılır.

Ağırlık sütununu destekleyen tüm denetimsiz eğitmen girişleri için temel sınıf.

Bu yapı öğrenme oranı zamanlayıcı öğe türünü temsil eder

Model parametrelerine göre özellik katkısı hesaplama desteği sağlar.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Kayıp işlevi, en uygun çift güncelleştirme başvurusu için yakın form çözümünü biliyor olabilir Ref: Sec(6.2) http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Eğitmen Tahmin Aracı arabirimi.

Eğitmenleri, model parametrelerini ve yardımcı programları içeren ad alanı.

Kayıp işlevinin türü.