语言

MulticlassClassificationCatalog.MulticlassClassificationTrainers 类

定义

用于 MLContext 创建多类分类训练器实例的类。

public sealed class MulticlassClassificationCatalog.MulticlassClassificationTrainers : Microsoft.ML.TrainCatalogBase.CatalogInstantiatorBase
type MulticlassClassificationCatalog.MulticlassClassificationTrainers = class
    inherit TrainCatalogBase.CatalogInstantiatorBase
Public NotInheritable Class MulticlassClassificationCatalog.MulticlassClassificationTrainers
Inherits TrainCatalogBase.CatalogInstantiatorBase
继承
MulticlassClassificationCatalog.MulticlassClassificationTrainers

扩展方法

名称 说明
ImageClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ImageClassificationTrainer+Options)

使用高级选项创建 ImageClassificationTrainer ,该选项训练深度神经网络(DNN)对图像进行分类。

ImageClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, IDataView)

创建 ImageClassificationTrainer,用于训练深度神经网络(DNN)对图像进行分类。

LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)

使用高级选项创建 LbfgsMaximumEntropyMulticlassTrainer ,该选项使用使用 L-BFGS 方法训练的最大萎缩分类模型来预测目标。

LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)

创建 LbfgsMaximumEntropyMulticlassTrainer,它使用使用 L-BFGS 方法训练的最大萎缩分类模型来预测目标。

LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LightGbmMulticlassTrainer+Options)

使用高级选项创建 LightGbmMulticlassTrainer ,该选项使用梯度提升决策树多类分类模型来预测目标。

LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, Stream, String)

从预先训练的 LightGBM 模型创建 LightGbmMulticlassTrainer ,该模型使用梯度提升决策树多类分类模型预测目标。

LightGbm(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)

创建 LightGbmMulticlassTrainer,它使用梯度提升决策树多类分类模型来预测目标。

NaiveBayes(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String)

创建一个 NaiveBayesMulticlassTrainer,该模型使用支持二进制特征值的 Naive Bayes 模型预测多类目标。

NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)

微调命名实体识别模型。

NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)

微调命名实体识别的 NAS-BERT 模型。 任何句子的限制为 512 个标记。 每个单词通常映射到单个令牌,我们会自动添加 2 个规范标记(一个开始标记和分隔符标记),因此,对于所有句子,此限制通常为 510 个单词。

NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)
已过时.

已过时:请改用该方法NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, NerTrainer+NerOptions)

NameEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)
已过时.

已过时:请改用该方法NamedEntityRecognition(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Int32, Int32, BertArchitecture, IDataView)

ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ObjectDetectionTrainer+Options)

微调对象检测模型。

ObjectDetection(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32)

微调对象检测模型。

OneVersusAll<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ITrainerEstimator<BinaryPredictionTransformer<TModel>,TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>, Int32, Boolean)

创建一个 OneVersusAllTrainer,它使用一对一策略和二元分类估算器指定的 binaryEstimator二元分类估算器来预测多类目标。

PairwiseCoupling<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ITrainerEstimator<ISingleFeaturePredictionTransformer<TModel>, TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>, Int32)

创建一个 PairwiseCouplingTrainer,它使用二元分类估算器指定的 binaryEstimator成对耦合策略来预测多类目标。

QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, QATrainer+Options)

微调 ROBERTA 模型进行问答。 任何句子的限制为 512 个标记。 每个单词通常映射到单个令牌,我们会自动添加 2 个规范标记(一个开始标记和分隔符标记),因此,对于所有句子,此限制通常为 510 个单词。

QuestionAnswer(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, String, Int32, Int32, Int32, BertArchitecture, IDataView)

微调 ROBERTA 模型进行问答。 任何句子的限制为 512 个标记。 每个单词通常映射到单个令牌,我们会自动添加 2 个规范标记(一个开始标记和分隔符标记),因此,对于所有句子,此限制通常为 510 个单词。

SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)

使用高级选项创建 SdcaMaximumEntropyMulticlassTrainer ,该选项使用通过坐标下降方法训练的最大萎缩分类模型来预测目标。

SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

创建 SdcaMaximumEntropyMulticlassTrainer,它使用使用坐标下降方法训练的最大萎缩分类模型来预测目标。

SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)

使用高级选项创建 SdcaNonCalibratedMulticlassTrainer ,该选项使用通过坐标下降方法训练的线性多类分类模型来预测目标。

SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)

创建 SdcaNonCalibratedMulticlassTrainer,它使用通过坐标下降方法训练的线性多类分类模型来预测目标。

TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, String, String, Int32, Int32, BertArchitecture, IDataView)

微调 NLP 分类的 NAS-BERT 模型。 任何句子的限制为 512 个标记。 每个单词通常映射到单个令牌,我们会自动添加 2 个规范标记(一个开始标记和分隔符标记),因此,对于所有句子,此限制通常为 510 个单词。

TextClassification(MulticlassClassificationCatalog+MulticlassClassificationTrainers, TextClassificationTrainer+TextClassificationOptions)

微调 NLP 分类的 NAS-BERT 模型。 任何句子的限制为 512 个标记。 每个单词通常映射到单个令牌,我们会自动添加 2 个规范标记(一个开始标记和分隔符标记),因此,对于所有句子,此限制通常为 510 个单词。

适用于