MklComponentsCatalog Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML

Zestaw:

Microsoft.ML.Mkl.Components.dll

Pakiet:

Microsoft.ML.Mkl.Components v3.0.1

Kolekcja metod rozszerzeń dla RegressionCatalog.RegressionTrainers, BinaryClassificationCatalog.BinaryClassificationTrainersi TransformsCatalog do tworzenia mKL (biblioteki jądra matematycznego) trenera i przekształcania składników.

public static class MklComponentsCatalog

type MklComponentsCatalog = class

Public Module MklComponentsCatalog

Dziedziczenie

Object

MklComponentsCatalog

Metody

Ols(RegressionCatalog+RegressionTrainers, OlsTrainer+Options)	Utwórz OlsTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu modelu regresji liniowej.
Ols(RegressionCatalog+RegressionTrainers, String, String, String)	Utwórz OlsTrainerobiekt , który przewiduje cel przy użyciu modelu regresji liniowej.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)	Utwórz SymbolicSgdLogisticRegressionBinaryTrainerelement , który przewiduje cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych. Stochastic gradient spadek (SGD) to algorytm iteracyjny, który optymalizuje inną funkcję celu. Paralelizuje SymbolicSgdLogisticRegressionBinaryTrainer SGD przy użyciu wykonywania symbolicznego.
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)	Utwórz SymbolicSgdLogisticRegressionBinaryTrainer za pomocą opcji zaawansowanych, które przewidują cel przy użyciu liniowego modelu klasyfikacji binarnej wytrenowanego na danych etykiet logicznych. Stochastic gradient spadek (SGD) to algorytm iteracyjny, który optymalizuje inną funkcję celu. Paralelizuje SymbolicSgdLogisticRegressionBinaryTrainer SGD przy użyciu wykonywania symbolicznego.
VectorWhiten(TransformsCatalog, String, String, WhiteningKind, Single, Int32, Int32)	Przyjmuje kolumnę wypełnioną wektorem zmiennych losowych ze znaną macierzą kowariancji do zestawu nowych zmiennych, których kowariancja jest macierzą tożsamości, co oznacza, że są one nieskorelowane, a każda z nich ma wariancję 1.