Microsoft.ML.Trainers Przestrzeń nazw

Klasa argumentów dla uśrednionych trenerów liniowych.

Klasa bazowa dla przeciętnych trenerów liniowych.

Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany za pomocą przeciętnego perceptronu.

Opcje dla właściwości używanej AveragedPerceptronTrainer w elemecie AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Reprezentuje obiekt statystyk współczynnika zawierający statystyki dotyczące parametrów modelu obliczeniowego.

Oblicza macierz odchylenia standardowego każdej z niezerowych wag treningowych, które są potrzebne do obliczenia dalszego odchylenia standardowego, wartości p i z-Score. Użyj implementacji tej klasy w pakiecie Microsoft.ML.Mkl.Components, który używa biblioteki jądra intel math. Ze względu na istnienie regularyzacji przybliżenie służy do obliczania wariancji wytrenowanych współczynników liniowych.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Utrata wykładnicza, często używana w zadaniach klasyfikacji.

Ta klasa implementuje rozkład szybkości uczenia wykładniczego. Zaimplementowano z dokumentacji tensorflow. Źródło: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay Wartości domyślne i implementacja szybkości nauki pochodzą z testów modelu Tensorflow Slim. Źródło: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Obsługa obliczeń udziału funkcji.

Parametry modelu dla .FieldAwareFactorizationMachineTrainer

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Element IEstimator<TTransformer> do przewidywania celu przy użyciu modelu maszyny factoryzacji obsługującego pole wyszkolony przy użyciu metody gradientu stochastycznego.

FieldAwareFactorizationMachineTrainer.Options jako FieldAwareFactorizationMachineTrainer używane w elemecie FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Utrata zawiasu, powszechnie używana w zadaniach klasyfikacji.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Element IEstimator<TTransformer> do trenowania klastra KMeans

Opcje używane KMeansTrainer w KMeansTrainer(Options).

Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu regresji logistycznej wytrenowanego przy użyciu metody L-BFGS.

Opcje używane LbfgsLogisticRegressionBinaryTrainer w LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

Element IEstimator<TTransformer> do przewidywania celu przy użyciu maksymalnej klasyfikatora wieloklasowego entropii wyszkolonego przy użyciu metody L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options jako LbfgsMaximumEntropyMulticlassTrainer używane w elemecie LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

Element IEstimator<TTransformer> do trenowania modelu regresji Poissona.

Opcje używane LbfgsPoissonRegressionTrainer w LbfgsPoissonRegression(Options).

Klasa opcji bazowych dla narzędzia do szacowania trenera pochodzącego zLbfgsTrainerBase<TOptions,TTransformer,TModel>.

Klasa bazowa dla trenerów opartych na L-BFGS.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Element IEstimator<TTransformer> do przewidywania celu przy użyciu nieliniowego modelu klasyfikacji binarnej wyszkolonego przy użyciu lokalnego głębokiego svM.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Ta abstrakcyjna klasa definiuje harmonogram szybkości nauki.

Klasa parametrów modelu dla narzędzi do szacowania liniowego trenera binarnego.

Klasa podstawowa parametrów modelu liniowego.

Statystyki parametrów modelu liniowego.

Model liniowy klasyfikatorów wieloklasowych. Generuje nieprzetworzone wyniki wszystkich modeli liniowych i nie podano prawdopodobnych danych wyjściowych.

Typowy model liniowy klasyfikatorów wieloklasowych. LinearMulticlassModelParameters zawiera pojedynczy model liniowy na klasę.

Parametry modelu dla regresji liniowej.

Element do IEstimator<TTransformer> przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wyszkolonego za pomocą maszyny nośnej liniowej.

Opcje dla właściwości używanej LinearSvmTrainer w elemecie LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Utrata dziennika, znana również jako strata krzyżowa entropii. Jest on często używany w zadaniach klasyfikacji.

Ta klasa implementuje regułę skalowania liniowego i rozpad LR. Wdrożenie przyjęte z testu porównawczego RESNET-CIFAR w tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

Element IEstimator<TTransformer> do przewidywania elementów w macierzy przy użyciu factoryzacji macierzy (nazywanej również typem filtrowania współpracy).

Opcje używane MatrixFactorizationTrainer w funkcji MatrixFactorization(Options).

Liniowy maksymalny model entropii wieloklasowych klasyfikatorów. Generuje ona prawdopodobieństwa klas. Ten model jest również znany jako regresja logistyczna wielomianowa. Aby uzyskać szczegółowe informacje, zobacz https://en.wikipedia.org/wiki/Multinomial_logistic_regression .

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Ogólna klasa bazowa dla wszystkich parametrów modelu.

Statystyki parametrów modelu liniowego.

Parametry modelu dla .NaiveBayesMulticlassTrainer

Element IEstimator<TTransformer> do trenowania wieloklasowego modelu Bayesa obsługującego wartości funkcji binarnych.

Parametry modelu dla .OlsTrainer

Element IEstimator<TTransformer> do trenowania modelu regresji liniowej przy użyciu zwykłych najmniejszych kwadratów (OLS) do szacowania parametrów modelu regresji liniowej.

Opcje używane OlsTrainer w ols(Opcje)

Parametry modelu dla .OneVersusAllTrainer

Element IEstimator<TTransformer> do trenowania klasyfikatora jedno-a wszystkie klasyfikatora wieloklasowego, który używa określonego klasyfikatora binarnego.

Element IEstimator<TTransformer> do trenowania modelu regresji liniowej przy użyciu funkcji Zejście gradientu online (OGD) do szacowania parametrów modelu regresji liniowej.

Opcje używane w narzędziu OnlineGradientDescentTrainerOnlineGradientDescent(Options).

Klasa argumentów dla trenerów liniowych online.

Klasa podstawowa dla trenerów liniowych online. Trenerzy online mogą być aktualizowani przyrostowo przy użyciu dodatkowych danych.

Parametry modelu dla .PairwiseCouplingTrainer

Element IEstimator<TTransformer> do trenowania klasyfikatora wieloklasowego sprzężenia parowego, który używa określonego klasyfikatora binarnego.

Parametry modelu dla .RandomizedPcaTrainer

Poisson Loss, funkcja regresji Poissona.

Parametry modelu dla regresji Poissona.

Ta klasa implementuje rozkład szybkości uczenia wielomianowego. Zaimplementowano z dokumentacji tensorflow. Źródło: https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay Wartości domyślne i implementacja szybkości nauki pochodzą z testów modelu Tensorflow Slim. Źródło: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Parametry modelu dla .PriorTrainer

Element IEstimator<TTransformer> do przewidywania elementu docelowego przy użyciu modelu klasyfikacji binarnej.

Element IEstimator<TTransformer> do trenowania przybliżonego pcA przy użyciu algorytmu RANDOMIZED SVD.

Opcje dla parametru RandomizedPcaTrainer używanego w randomizedPca(Options).

Parametry modelu dla regresji.

Opcje dla .SdcaBinaryTrainerBase<TModelParameters>

SDCA to ogólny algorytm trenowania dla (uogólnionych) modeli liniowych, takich jak maszyna wektorowa obsługi, regresja liniowa, regresja logistyczna itd. Rodzina trenera klasyfikacji binarnej SDCA obejmuje kilka zapieczętowanych członków: (1) SdcaNonCalibratedBinaryTrainer obsługuje ogólne funkcje utraty i zwraca wartość LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer zasadniczo trenuje regularny model regresji logistycznej. Ponieważ regresja logistyczna naturalnie zapewnia dane wyjściowe prawdopodobieństwa, wygenerowany typ modelu to CalibratedModelParametersBase<TSubModel,TCalibrator>. gdzie TSubModel jest i TCalibrator LinearBinaryModelParameters to PlattCalibrator.

Element IEstimator<TTransformer> do trenowania binarnego modelu klasyfikacji regresji logistycznej przy użyciu metody dwurzędnych współrzędnych stochastycznych. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową funkcji liniowej do klasy PlattCalibrator.

Opcje używane w standardzie SdcaLogisticRegressionBinaryTrainerSdcaLogisticRegression(Options).

Element IEstimator<TTransformer> do przewidywania celu przy użyciu klasyfikatora wieloklasowego maksymalnej entropii. Wytrenowany model MaximumEntropyModelParameters generuje prawdopodobieństwa klas.

SdcaMaximumEntropyMulticlassTrainer.Options do SdcaMaximumEntropyMulticlassTrainer użycia w SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Opcje dla .SdcaMulticlassTrainerBase<TModel>

Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikatora wieloklasowego wytrenowanego z metodą spadku współrzędnych. W zależności od używanej funkcji utraty wytrenowany model może być na przykład maksymalny klasyfikator entropii lub wieloklasowa maszyna wektorowa obsługi.

Element IEstimator<TTransformer> do trenowania binarnego modelu klasyfikacji regresji logistycznej przy użyciu metody dwurzędnych współrzędnych stochastycznych.

Opcje dla .SdcaNonCalibratedBinaryTrainer

ElementIEstimator<TTransformer> do przewidywania celu przy użyciu klasyfikatora wieloklasowego liniowego. Wytrenowany model LinearMulticlassModelParameters generuje prawdopodobieństwa klas.

SdcaNonCalibratedMulticlassTrainer.Options jako SdcaNonCalibratedMulticlassTrainer używane w elemecie SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

Element IEstimator<TTransformer> do trenowania modelu regresji przy użyciu metody dwurzędnej współrzędnych dwurzędnych.

Opcje dla .SdcaRegressionTrainer

Opcje dla trenerów opartych na standardzie SDCA.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Metoda IEstimator<TTransformer> trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego. Wytrenowany model jest skalibrowany i może generować prawdopodobieństwo, przekazując wartość wyjściową funkcji liniowej do klasy PlattCalibrator.

Opcje dla SgdCalibratedTrainer elementu używanego w sgdCalibrated(Options).

Metoda IEstimator<TTransformer> trenowania regresji logistycznej przy użyciu metody gradientu stochastycznego równoległego.

Opcje dla SgdNonCalibratedTrainer elementu używanego w sgdNonCalibrated(Options).

Gładka wersja HingeLoss funkcji, często używana w zadaniach klasyfikacji.

Strata kwadratowa, często używana w zadaniach regresji.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Element IEstimator<TTransformer> do przewidywania celu przy użyciu liniowego modelu klasyfikacji binarnej wytrenowany z symbolicznym spadkiem gradientu stochastycznego.

Opcje dla właściwości używanej SymbolicSgdLogisticRegressionBinaryTrainer w elemecie SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Reprezentuje to podstawową klasę "prostego trenera". "Prosty trener" akceptuje jedną kolumnę funkcji i jedną kolumnę etykiety, a także opcjonalnie kolumnę wagi. Tworzy "transformator przewidywania".

Reprezentuje to podstawową klasę "prostego trenera". "Prosty trener" akceptuje jedną kolumnę funkcji i jedną kolumnę etykiety, a także opcjonalnie kolumnę wagi. Tworzy "transformator przewidywania".

Klasa bazowa dla wszystkich danych wejściowych trenera.

Klasa bazowa dla wszystkich danych wejściowych trenera, które obsługują kolumnę grupy.

Klasa bazowa dla wszystkich danych wejściowych trenera, które obsługują kolumnę Label.

Klasa bazowa dla wszystkich danych wejściowych trenera, które obsługują kolumnę wagi.

Strata Tweedie, na podstawie prawdopodobieństwa dziennika rozkładu Tweedie. Ta funkcja utraty jest używana w regresji Tweedie.

Klasa bazowa dla wszystkich nienadzorowanych danych wejściowych trenera, które obsługują kolumnę wagi.

Ta struktura reprezentuje typ elementu harmonogramu uczenia

Umożliwia obsługę obliczeń udziału funkcji według parametrów modelu.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Funkcja utraty może znać rozwiązanie zbliżone do optymalnej podwójnej aktualizacji Ref: Sec(6.2) http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Interfejs narzędzia do szacowania trenera.

Przestrzeń nazw zawierająca trenerów, parametry modelu i narzędzia.

Typ funkcji utraty.