BinaryClassificationCatalog.BinaryClassificationTrainers Klasse

Definition

Namespace:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v3.0.1

Klasse, die von MLContext verwendet wird, um Instanzen von binären Klassifizierungstrainern zu erstellen.

public sealed class BinaryClassificationCatalog.BinaryClassificationTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBase

type BinaryClassificationCatalog.BinaryClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase

Public NotInheritable Class BinaryClassificationCatalog.BinaryClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase

Vererbung

Object

TrainCatalogBase.CatalogInstantiatorBase

BinaryClassificationCatalog.BinaryClassificationTrainers

Erweiterungsmethoden

FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)	Erstellen Sie FieldAwareFactorizationMachineTrainer mithilfe erweiterter Optionen, die ein Ziel mithilfe eines feldbasierten Factorisierungscomputers vorhersagen, der über boolesche Bezeichnungsdaten trainiert wird.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)	Erstellen Sie FieldAwareFactorizationMachineTrainer, das ein Ziel mithilfe eines feldorientierten Factorisierungscomputers vorhersagt, der über boolesche Bezeichnungsdaten trainiert wird.
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)	Erstellen Sie FieldAwareFactorizationMachineTrainer, das ein Ziel mithilfe eines feldorientierten Factorisierungscomputers vorhersagt, der über boolesche Bezeichnungsdaten trainiert wird.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)	Erstellen Sie LightGbmBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe einer binären Klassifizierung der Entscheidungsstruktur zur Erhöhung des Farbverlaufs vorhersagen.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)	Erstellen Sie LightGbmBinaryTrainer aus einem vortrainierten LightGBM-Modell, das ein Ziel mithilfe einer binären Klassifizierung der Entscheidungsstruktur zur Erhöhung des Farbverlaufs vorhersagt.
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)	Erstellen Sie LightGbmBinaryTrainer, das ein Ziel mithilfe einer binären Klassifizierung der Entscheidungsstruktur zur Steigerung des Farbverlaufs vorhersagt.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Erstellen Sie SymbolicSgdLogisticRegressionBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wird. Stochastic Gradient Descent (SGD) ist ein iterativer Algorithmus, der eine differenzierbare Zielfunktion optimiert. Die SymbolicSgdLogisticRegressionBinaryTrainer parallelisiert SGD mithilfe der symbolischen Ausführung.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Erstellen Sie SymbolicSgdLogisticRegressionBinaryTrainer, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagt, das über boolesche Bezeichnungsdaten trainiert wird. Stochastic Gradient Descent (SGD) ist ein iterativer Algorithmus, der eine differenzierbare Zielfunktion optimiert. Die SymbolicSgdLogisticRegressionBinaryTrainer parallelisiert SGD mithilfe der symbolischen Ausführung.
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)	Erstellen Sie ein AveragedPerceptronTrainer mit erweiterten Optionen, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagt, das über boolesche Bezeichnungsdaten trainiert wird.
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)	Erstellen Sie einen AveragedPerceptronTrainer, der ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagt, das über boolesche Bezeichnungsdaten trainiert wird.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)	Erstellen Sie LbfgsLogisticRegressionBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wird.
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	Erstellen Sie LbfgsLogisticRegressionBinaryTrainer, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagt, das über boolesche Bezeichnungsdaten trainiert wird.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)	Erstellen Sie LdSvmTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines lokalen Deep SVM-Modells vorhersagen.
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)	Erstellen Sie LdSvmTrainer, das ein Ziel mithilfe eines lokalen Deep SVM-Modells vorhersagt.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)	Erstellen Sie LinearSvmTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wird.
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)	Erstellen Sie LinearSvmTrainer, das ein Ziel mithilfe eines linearen binären Klassifizierungsmodells vorhersagt, das über boolesche Bezeichnungsdaten trainiert wird.
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)	Erstellen Sie PriorTrainer, das ein Ziel mithilfe eines binären Klassifizierungsmodells vorhersagt.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)	Erstellen Sie SdcaLogisticRegressionBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen.
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Erstellen Sie SdcaLogisticRegressionBinaryTrainer, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)	Erstellen Sie SdcaNonCalibratedBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen, das über boolesche Bezeichnungsdaten trainiert wird.
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	Erstellen Sie SdcaNonCalibratedBinaryTrainer, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)	Erstellen Sie SgdCalibratedTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen. Stochastic Gradient Descent (SGD) ist ein iterativer Algorithmus, der eine differenzierbare Zielfunktion optimiert.
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)	Erstellen Sie SgdCalibratedTrainer, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt. Stochastic Gradient Descent (SGD) ist ein iterativer Algorithmus, der eine differenzierbare Zielfunktion optimiert.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)	Erstellen Sie SgdNonCalibratedTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagen. Stochastic Gradient Descent (SGD) ist ein iterativer Algorithmus, der eine differenzierbare Zielfunktion optimiert.
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)	Erstellen Sie SgdNonCalibratedTrainer, das ein Ziel mithilfe eines linearen Klassifizierungsmodells vorhersagt. Stochastic Gradient Descent (SGD) ist ein iterativer Algorithmus, der eine differenzierbare Zielfunktion optimiert.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)	Erstellen Sie FastForestBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines Entscheidungsstrukturregressionsmodells vorhersagen.
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)	Erstellen Sie FastForestBinaryTrainer, das ein Ziel mithilfe eines Regressionsmodells für die Entscheidungsstruktur vorhersagt.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)	Erstellen Sie FastTreeBinaryTrainer mit erweiterten Optionen, die ein Ziel mithilfe eines binären Klassifizierungsmodells der Entscheidungsstruktur vorhersagen.
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)	Erstellen Sie FastTreeBinaryTrainer, das ein Ziel mithilfe eines binären Klassifizierungsmodells der Entscheidungsstruktur vorhersagt.
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)	Erstellen Sie GamBinaryTrainer mithilfe erweiterter Optionen, die ein Ziel mithilfe von generalisierten additiven Modellen (GAM) vorhersagen.
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)	Erstellen Sie GamBinaryTrainer, das ein Ziel mithilfe von generalisierten additiven Modellen (GAM) vorhersagt.