NormalizationCatalog Classe

Définition

Espace de noms:

Microsoft.ML

Assembly:

Microsoft.ML.Transforms.dll

Paquet:

Microsoft.ML v3.0.1

Collection de méthodes d’extension pour TransformsCatalog créer des instances de composants de normalisation numérique.

public static class NormalizationCatalog

type NormalizationCatalog = class

Public Module NormalizationCatalog

Héritage

Object

NormalizationCatalog

Méthodes

NormalizeBinning(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs avec une densité égale.
NormalizeBinning(TransformsCatalog, String, String, Int64, Boolean, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs avec une densité égale.
NormalizeGlobalContrast(TransformsCatalog, String, String, Boolean, Boolean, Single)	Créez un GlobalContrastNormalizingEstimator, qui normalise les colonnes individuellement en appliquant la normalisation du contraste global. Le paramètre ensureZeroMean sur true, applique une étape de prétraitement pour que la moyenne de la colonne spécifiée soit le vecteur zéro.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Boolean, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLogMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLogMeanVariance(TransformsCatalog, String, Boolean, String, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLogMeanVariance(TransformsCatalog, String, String, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance du logarithme des données.
NormalizeLpNorm(TransformsCatalog, String, String, LpNormNormalizingEstimatorBase+NormFunction, Boolean)	Créez un LpNormNormalizingEstimatorvecteur qui normalise (met à l’échelle) les vecteurs de la colonne d’entrée vers la norme d’unité. Le type de norme utilisé est défini par norm. Le paramètre ensureZeroMean sur true, applique une étape de prétraitement pour que la moyenne de la colonne spécifiée soit un vecteur zéro.
NormalizeMeanVariance(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance des données.
NormalizeMeanVariance(TransformsCatalog, String, String, Int64, Boolean, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction de la moyenne calculée et de la variance des données.
NormalizeMinMax(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction des valeurs minimales et maximales observées des données.
NormalizeMinMax(TransformsCatalog, String, String, Int64, Boolean)	Créez un NormalizingEstimator, qui normalise en fonction des valeurs minimales et maximales observées des données.
NormalizeRobustScaling(TransformsCatalog, InputOutputColumnPair[], Int64, Boolean, UInt32, UInt32)	Créez un NormalizingEstimator, qui normalise à l’aide de statistiques robustes aux valeurs hors norme en centreant les données autour de 0 (en supprimant la médiane) et met à l’échelle les données en fonction de la plage quantile (par défaut à la plage interquartile).
NormalizeRobustScaling(TransformsCatalog, String, String, Int64, Boolean, UInt32, UInt32)	Créez un NormalizingEstimator, qui normalise à l’aide de statistiques robustes aux valeurs hors norme en centreant les données autour de 0 (en supprimant la médiane) et met à l’échelle les données en fonction de la plage quantile (par défaut à la plage interquartile).
NormalizeSupervisedBinning(TransformsCatalog, InputOutputColumnPair[], String, Int64, Boolean, Int32, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs en fonction de la corrélation avec la labelColumnName colonne.
NormalizeSupervisedBinning(TransformsCatalog, String, String, String, Int64, Boolean, Int32, Int32)	Créez un NormalizingEstimator, qui normalise en affectant les données dans des bacs en fonction de la corrélation avec la labelColumnName colonne.