Contents Menu Expand Light mode Dark mode Auto light/dark mode Auto light/dark, in light mode Auto light/dark, in dark mode 跳至內容
sklearn-onnx 1.18.0 文件
Logo
sklearn-onnx 1.18.0 文件
  • 簡介
  • 教學
    • 簡單的情況
      • 訓練與部署 scikit-learn 管線
      • 基準測試 ONNX 轉換
      • 什麼是 opset 數字？
      • 一個模型，多種可使用選項的轉換
      • 選擇分類器的適當輸出
      • 轉換時的黑名單運算子
      • 切換到浮點數時的問題
      • 中間結果與調查
      • 將陣列儲存在一個 ONNX 圖形中
      • 將 Dataframe 作為輸入
      • 修改 ONNX 圖形
    • 使用其他函式庫的轉換器
      • 轉換具有 LightGBM 分類器的管線
      • 轉換具有 LightGBM 回歸器的管線
      • 轉換具有 XGBoost 模型的管線
      • 轉換具有 CatBoost 分類器的管線
    • 自訂模型的自訂轉換器
      • 實作新的轉換器
      • 實作轉換器的兩種方式
      • FunctionTransformer 的問題
      • 使用其他轉換器實作新的轉換器
      • 具有選項的新轉換器
      • 透過新增剖析器變更輸出數量
    • 進階情境
      • 轉換 CountVectorizer 或 TfidfVectorizer 時的棘手問題
      • TfIdf 和稀疏矩陣
      • WOE 的轉換器
    • 為其他函式庫撰寫轉換器
      • pyod.models.iforest.IForest 的轉換器
  • API 總結
  • 範例展示
    • 中繼資料
    • ONNX 的 ONNX Runtime 後端
    • 繪製管線
    • 記錄、詳細模式
    • 機率或原始分數
    • 訓練、轉換和預測模型
    • 調查管線
    • 比較 CDist 與 scipy
    • 將機率作為向量或 ZipMap
    • 轉換具有 LightGbm 模型的管線
    • 轉換具有減少運算子列表的模型
    • NMF 分解的自訂運算子
    • StandardScaler 的差異
    • 基準測試管線
    • 轉換具有 XGBoost 模型的管線
    • GaussianProcessorRegressor 的差異：使用雙精度
    • onnxruntime 的錯誤
    • 使用 ONNX 運算子
    • 轉換模型的多種方式
    • 轉換具有 ColumnTransformer 的管線
    • 搭配 ONNX 的 TfIdfVectorizer
    • 逐步瀏覽中間輸出
    • 當自訂模型既不是分類器也不是回歸器時（替代方案）
    • 當自訂模型既不是分類器也不是回歸器時
    • 為您自己的模型撰寫您自己的轉換器
  • 轉換管線
  • 具有選項的轉換器
  • 支援的 scikit-learn 模型
回到頂部
檢視此頁面

進階情境¶

可能會出現意想不到的差異。這是一個包含問題和已解決問題的範例列表。

  • 轉換 CountVectorizer 或 TfidfVectorizer 時的棘手問題
  • TfIdf 和稀疏矩陣
  • WOE 的轉換器
下一頁
轉換 CountVectorizer 或 TfidfVectorizer 時的棘手問題
上一頁
透過新增剖析器變更輸出數量
版權 © 2018-2023，Microsoft
使用 Sphinx 和 @pradyunsg 的 Furo 製作