|
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)
|
FieldAwareFactorizationMachineTrainer使用進階選項建立，其會使用透過布爾值標籤數據定型的現場感知分解機器來預測目標。
|
|
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)
|
建立 FieldAwareFactorizationMachineTrainer，其會使用透過布爾值標籤數據定型的現場感知分解機器來預測目標。
|
|
FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)
|
建立 FieldAwareFactorizationMachineTrainer，其會使用透過布爾值標籤數據定型的現場感知分解機器來預測目標。
|
|
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, LightGbmBinaryTrainer+Options)
|
LightGbmBinaryTrainer使用進階選項建立 ，其會使用漸層提升判定樹二進位分類來預測目標。
|
|
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, Stream, String)
|
從預先定型的 LightGBM 模型建立 LightGbmBinaryTrainer ，其會使用漸層提升判定樹二進位分類來預測目標。
|
|
LightGbm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)
|
建立 LightGbmBinaryTrainer，其會使用漸層提升判定樹二進位分類來預測目標。
|
|
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SymbolicSgdLogisticRegressionBinaryTrainer+Options)
|
使用 SymbolicSgdLogisticRegressionBinaryTrainer 進階選項建立 ，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
隨機梯度下降 (SGD) 是一種反覆演算法，可將可區分的目標函式優化。
會 SymbolicSgdLogisticRegressionBinaryTrainer 使用 符號執行來平行處理 SGD。
|
|
SymbolicSgdLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, Int32)
|
建立 SymbolicSgdLogisticRegressionBinaryTrainer，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
隨機梯度下降 (SGD) 是一種反覆演算法，可將可區分的目標函式優化。
會 SymbolicSgdLogisticRegressionBinaryTrainer 使用 符號執行來平行處理 SGD。
|
|
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)
|
AveragedPerceptronTrainer使用進階選項建立 ，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
|
|
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)
|
建立 ， AveragedPerceptronTrainer其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
|
|
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)
|
使用 LbfgsLogisticRegressionBinaryTrainer 進階選項建立 ，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
|
|
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)
|
建立 LbfgsLogisticRegressionBinaryTrainer，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
|
|
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)
|
LdSvmTrainer使用進階選項建立 ，以使用本機深度 SVM 模型預測目標。
|
|
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)
|
建立 LdSvmTrainer，其會使用本機深層 SVM 模型來預測目標。
|
|
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)
|
使用 LinearSvmTrainer 進階選項建立 ，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
|
|
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)
|
建立 LinearSvmTrainer，其會使用透過布爾卷標數據定型的線性二元分類模型來預測目標。
|
|
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)
|
建立 PriorTrainer，其會使用二元分類模型來預測目標。
|
|
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)
|
SdcaLogisticRegressionBinaryTrainer使用進階選項建立 ，以使用線性分類模型預測目標。
|
|
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers,
String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)
|
建立 SdcaLogisticRegressionBinaryTrainer，其會使用線性分類模型來預測目標。
|
|
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)
|
SdcaNonCalibratedBinaryTrainer使用進階選項建立 ，其會使用透過布爾卷標數據定型的線性分類模型來預測目標。
|
|
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers,
String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>,
Nullable<Single>, Nullable<Int32>)
|
建立 SdcaNonCalibratedBinaryTrainer，其會使用線性分類模型來預測目標。
|
|
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)
|
SgdCalibratedTrainer使用進階選項建立 ，以使用線性分類模型預測目標。
隨機梯度下降 (SGD) 是一種反覆演算法，可將可區分的目標函式優化。
|
|
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)
|
建立 SgdCalibratedTrainer，其會使用線性分類模型來預測目標。
隨機梯度下降 (SGD) 是一種反覆演算法，可將可區分的目標函式優化。
|
|
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)
|
SgdNonCalibratedTrainer使用進階選項建立 ，以使用線性分類模型預測目標。
隨機梯度下降 (SGD) 是一種反覆演算法，可將可區分的目標函式優化。
|
|
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)
|
建立 SgdNonCalibratedTrainer，其會使用線性分類模型來預測目標。
隨機梯度下降 (SGD) 是一種反覆演算法，可將可區分的目標函式優化。
|
|
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)
|
FastForestBinaryTrainer使用進階選項建立 ，以使用判定樹回歸模型預測目標。
|
|
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)
|
建立 FastForestBinaryTrainer，其會使用判定樹回歸模型來預測目標。
|
|
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)
|
FastTreeBinaryTrainer使用進階選項建立 ，其會使用判定樹二元分類模型來預測目標。
|
|
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)
|
建立 FastTreeBinaryTrainer，其會使用判定樹二元分類模型來預測目標。
|
|
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)
|
GamBinaryTrainer使用進階選項建立，使用一般化加法模型來預測目標， (GAM) 。
|
|
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)
|
建立 GamBinaryTrainer，其會使用一般化加法模型來預測目標， (GAM) 。
|