MklComponentsCatalog Clase

Definición

Espacio de nombres:

Microsoft.ML

Ensamblado:

Microsoft.ML.Mkl.Components.dll

Paquete:

Microsoft.ML.Mkl.Components v3.0.1

Colección de métodos de extensión para RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainersy para crear componentes de instructor y TransformsCatalog transformación MKL (Biblioteca de kernels matemáticas).

public static class MklComponentsCatalog

type MklComponentsCatalog = class

Public Module MklComponentsCatalog

Herencia

Object

MklComponentsCatalog

Métodos

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)	Cree OlsTrainer con opciones avanzadas, que predice un destino mediante un modelo de regresión lineal.
Ols(RegressionCatalog+RegressionTrainers, String, String, String)	Cree OlsTrainer, que predice un destino mediante un modelo de regresión lineal.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Cree SymbolicSgdLogisticRegressionBinaryTrainer, que predice un destino mediante un modelo de clasificación binaria lineal entrenado a través de datos de etiquetas booleanas. El descenso de degradado estocástico (SGD) es un algoritmo iterativo que optimiza una función objetivo diferente. Paraleliza SymbolicSgdLogisticRegressionBinaryTrainer SGD mediante la ejecución simbólica.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Cree SymbolicSgdLogisticRegressionBinaryTrainer con opciones avanzadas, que predice un destino mediante un modelo de clasificación binaria lineal entrenado a través de datos de etiquetas booleanas. El descenso de degradado estocástico (SGD) es un algoritmo iterativo que optimiza una función objetivo diferente. Paraleliza SymbolicSgdLogisticRegressionBinaryTrainer SGD mediante la ejecución simbólica.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Toma una columna llena de un vector de variables aleatorias con una matriz de covarianza conocida en un conjunto de nuevas variables cuya covarianza es la matriz de identidad, lo que significa que no están relacionadas y cada una tiene varianza 1.