Microsoft.ML.Trainers Namespace

Classe arguments para treinadores lineares médios.

Classe base para treinadores lineares médios.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificação binária linear treinado com o perceptron médio.

Opções para o AveragedPerceptronTrainer conforme usado em AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options).

Representa um objeto de estatísticas de coeficiente que contém estatísticas sobre os parâmetros do modelo calculado.

Calcula a matriz de desvio padrão de cada um dos pesos de treinamento diferentes de zero, necessários para calcular ainda mais o desvio padrão, p-value e z-Score. Use a implementação dessa classe no pacote Microsoft.ML.Mkl.Components que usa a Biblioteca de Kernel De Matemática intel. Devido à existência da regularização, uma aproximação é usada para calcular as variações dos coeficientes lineares treinados.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Perda exponencial, comumente usada em tarefas de classificação.

Essa classe implementa a decaimento da taxa de Aprendizado Exponencial. Implementado na documentação do tensorflow. Fonte: os https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/exponential_decay valores padrão e a implementação da taxa de aprendizado são provenientes de testes de modelo do Tensorflow Slim. Origem: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Suporte para cálculo de contribuição de recursos.

Parâmetros de modelo para FieldAwareFactorizationMachineTrainer.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

O IEstimator<TTransformer> para prever um destino usando um modelo de máquina de fatoração com reconhecimento de campo treinado usando um método de gradiente estocástico.

FieldAwareFactorizationMachineTrainer.Options para FieldAwareFactorizationMachineTrainer conforme usado em FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options).

Perda de dobradiça, comumente usada em tarefas de classificação.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

O IEstimator<TTransformer> para treinar um clusterador KMeans

Opções para o KMeansTrainer conforme usado em KMeansTrainer(Options).

O IEstimator<TTransformer> para prever um destino usando um modelo de regressão logística linear treinado com o método L-BFGS.

Opções para o LbfgsLogisticRegressionBinaryTrainer conforme usado em LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)

O IEstimator<TTransformer> para prever um destino usando um classificador multiclasse de entropia máximo treinado com o método L-BFGS.

LbfgsMaximumEntropyMulticlassTrainer.Options para LbfgsMaximumEntropyMulticlassTrainer conforme usado em LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options).

O IEstimator<TTransformer> para treinar um modelo de regressão Poisson.

Opções para o LbfgsPoissonRegressionTrainer conforme usado em LbfgsPoissonRegression(Options).

Classe de opções base para avaliadores de treinadores derivados deLbfgsTrainerBase<TOptions,TTransformer,TModel> .

Classe base para treinadores baseados em L-BFGS.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificação binária não linear treinado com AVM Profunda Local.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Essa classe abstrata define um agendador de taxa de aprendizagem.

A classe de parâmetros de modelo para avaliadores de treinador binário linear.

Classe base para parâmetros de modelo linear.

Estatísticas para parâmetros de modelo linear.

Modelo linear de classificadores multiclasses. Ele gera pontuações brutas de todos os seus modelos lineares e nenhuma saída probablística é fornecida.

Modelo linear comum de classificadores multiclasse. LinearMulticlassModelParameters contém um único modelo linear por classe.

Parâmetros de modelo para regressão linear.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificação binária linear treinado com SVM Linear.

Opções para o LinearSvmTrainer conforme usado em LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options).

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A perda de log, também conhecida como perda de entropia cruzada. Normalmente, ele é usado em tarefas de classificação.

Essa classe implementa a regra de dimensionamento linear e a decaimento de LR. Implementação adotada do teste de parâmetro de comparação RESNET-CIFAR no Tensorflow slim. https://github.com/tensorflow/models/blob/b974c3f95a37acedcc3c58566834c78fcae4b214/official/vision/image_classification/resnet_cifar_main.py

O IEstimator<TTransformer> para prever elementos em uma matriz usando a fatoração de matriz (também conhecida como um tipo de filtragem colaborativa).

Opções para o MatrixFactorizationTrainer conforme usado em MatrixFactorization(Options).

Modelo de entropia máxima linear de classificadores multiclasses. Ele gera probabilidades de classes. Esse modelo também é conhecido como regressão logística multinomial. Consulte para obter https://en.wikipedia.org/wiki/Multinomial_logistic_regression detalhes.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Classe base genérica para todos os parâmetros de modelo.

Estatísticas para parâmetros de modelo linear.

Parâmetros de modelo para NaiveBayesMulticlassTrainer.

O IEstimator<TTransformer> para treinar um modelo Naive Bayes multiclasse que dá suporte a valores de recursos binários.

Parâmetros de modelo para OlsTrainer.

O IEstimator<TTransformer> para treinar um modelo de regressão linear usando OLS (quadrados mínimos comuns) para estimar os parâmetros do modelo de regressão linear.

Opções para o OlsTrainer conforme usado em Ols(Options)

Parâmetros de modelo para OneVersusAllTrainer.

O IEstimator<TTransformer> para treinar um classificador de várias classes um contra todos que usa o classificador binário especificado.

O IEstimator<TTransformer> para treinar um modelo de regressão linear usando OGD (Gradiente Descendente Online) para estimar os parâmetros do modelo de regressão linear.

Opções para o OnlineGradientDescentTrainer conforme usado em OnlineGradientDescent(Options).

Classe arguments para treinadores lineares online.

Classe base para treinadores lineares online. Os treinadores online podem ser atualizados incrementalmente com dados adicionais.

Parâmetros de modelo para PairwiseCouplingTrainer.

O IEstimator<TTransformer> para treinar um classificador de várias classes de acoplamento par que usa o classificador binário especificado.

Parâmetros de modelo para RandomizedPcaTrainer.

Função Poisson Loss para Regressão de Poisson.

Parâmetros de modelo para Regressão de Poisson.

Essa classe implementa a decaimento da taxa de aprendizagem polinomial. Implementado na documentação do tensorflow. Fonte: os https://www.tensorflow.org/api_docs/python/tf/compat/v1/train/polynomial_decay valores padrão e a implementação da taxa de aprendizado são provenientes de testes de modelo do Tensorflow Slim. Origem: https://github.com/tensorflow/models/blob/master/research/slim/train_image_classifier.py

Parâmetros de modelo para PriorTrainer.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificação binária.

O IEstimator<TTransformer> para treinar um PCA aproximado usando o algoritmo SVD aleatório.

Opções para o RandomizedPcaTrainer conforme usado em RandomizedPca(Options).

Parâmetros de modelo para regressão.

Opções para SdcaBinaryTrainerBase<TModelParameters>.

O SDCA é um algoritmo de treinamento geral para modelos lineares (generalizados), como computador vetor de suporte, regressão linear, regressão logística e assim por diante. A família de treinadores de classificação binária SDCA inclui vários membros lacrados: (1) SdcaNonCalibratedBinaryTrainer dá suporte a funções de perda geral e retorna LinearBinaryModelParameters. (2) SdcaLogisticRegressionBinaryTrainer basicamente treina um modelo de regressão logística regularizada. Como a regressão logística naturalmente fornece a saída de probabilidade, o tipo desse modelo gerado é CalibratedModelParametersBase<TSubModel,TCalibrator>. em que TSubModel é LinearBinaryModelParameters e TCalibrator é PlattCalibrator.

O IEstimator<TTransformer> para treinar um modelo de classificação de regressão logística binária usando o método de ascensão de coordenada dupla estocástica. O modelo treinado é calibrado e pode produzir probabilidade alimentando o valor de saída da função linear para um PlattCalibrator.

Opções para o SdcaLogisticRegressionBinaryTrainer conforme usado em SdcaLogisticRegression(Options).

O IEstimator<TTransformer> para prever um destino usando um classificador multiclasse de entropia máxima. O modelo MaximumEntropyModelParameters treinado produz probabilidades de classes.

SdcaMaximumEntropyMulticlassTrainer.Options para SdcaMaximumEntropyMulticlassTrainer conforme usado em SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

Opções para o SdcaMulticlassTrainerBase<TModel>.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificador multiclasse linear treinado com um método descendente de coordenadas. Dependendo da função de perda usada, o modelo treinado pode ser, por exemplo, o classificador máximo de entropia ou o computador vetor de suporte de várias classes.

O IEstimator<TTransformer> para treinar um modelo de classificação de regressão logística binária usando o método de ascento de coordenada dupla estocástica.

Opções para o SdcaNonCalibratedBinaryTrainer.

OIEstimator<TTransformer> para prever um destino usando um classificador de várias classes lineares. O modelo LinearMulticlassModelParameters treinado produz probabilidades de classes.

SdcaNonCalibratedMulticlassTrainer.Options para SdcaNonCalibratedMulticlassTrainer , conforme usado em SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>).

O IEstimator<TTransformer> para treinar um modelo de regressão usando o método de ascento de coordenada dupla estocástica.

Opções para o SdcaRegressionTrainer.

Opções para os treinadores baseados em SDCA.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

O IEstimator<TTransformer> para regressão logística de treinamento usando um método de gradiente estocástico paralelo. O modelo treinado é calibrado e pode produzir probabilidade alimentando o valor de saída da função linear para um PlattCalibrator.

Opções para o SgdCalibratedTrainer conforme usado em SgdCalibrated(Options).

O IEstimator<TTransformer> para regressão logística de treinamento usando um método de gradiente estocástico paralelo.

Opções para o SgdNonCalibratedTrainer conforme usado em SgdNonCalibrated(Options).

Uma versão suave da HingeLoss função, comumente usada em tarefas de classificação.

A Perda Quadrada, comumente usada em tarefas de regressão.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

O IEstimator<TTransformer> para prever um destino usando um modelo de classificação binária linear treinado com a descida simbólica do gradiente estocástico.

Opções para o SymbolicSgdLogisticRegressionBinaryTrainer conforme usado em SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options).

Isso representa uma classe básica para "treinador simples". Um 'treinador simples' aceita uma coluna de recurso e uma coluna de rótulo, também opcionalmente uma coluna de peso. Ele produz um 'transformador de previsão'.

Isso representa uma classe básica para "treinador simples". Um 'treinador simples' aceita uma coluna de recurso e uma coluna de rótulo, também opcionalmente uma coluna de peso. Ele produz um 'transformador de previsão'.

A classe base para todas as entradas do treinador.

A classe base para todas as entradas do treinador que dão suporte a uma coluna de grupo.

A classe base para todas as entradas do treinador que dão suporte a uma coluna Label.

A classe base para todas as entradas do treinador que dão suporte a uma coluna de peso.

Perda de tweedie, com base na probabilidade de log da distribuição Tweedie. Essa função de perda é usada na regressão de Tweedie.

A classe base para todas as entradas de treinador não supervisionadas que dão suporte a uma coluna de peso.

Essa estrutura representa um tipo de item do agendador de taxa de aprendizagem

Permite o suporte para cálculo de contribuição de recursos por parâmetros de modelo.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

A função de perda pode conhecer a solução close-form para a atualização dupla ideal Ref: Sec(6.2) de http://jmlr.org/papers/volume14/shalev-shwartz13a/shalev-shwartz13a.pdf

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Interface para o Avaliador do Treinador.

Namespace que contém treinadores, parâmetros de modelo e utilitários.

Tipo de função de perda.