FastTreeBinaryFeaturizationEstimator Třída

Definice

Obor názvů:

Microsoft.ML.Trainers.FastTree

Sestavení:

Microsoft.ML.FastTree.dll

Balíček:

Microsoft.ML.FastTree v2.0.0

A IEstimator<TTransformer> pro transformaci vektoru vstupní funkce na funkce založené na stromové struktuře.

public sealed class FastTreeBinaryFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBase

type FastTreeBinaryFeaturizationEstimator = class
    inherit TreeEnsembleFeaturizationEstimatorBase

Public NotInheritable Class FastTreeBinaryFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase

Dědičnost

Object

TreeEnsembleFeaturizationEstimatorBase

FastTreeBinaryFeaturizationEstimator

Poznámky

Vstupní a výstupní sloupce

Vstupní data sloupce popisku musí být Boolean. Data sloupce vstupních funkcí musí být vektorem Singleznámé velikosti .

Tento odhadce vypíše následující sloupce:

Název výstupního sloupce	Typ sloupce	Description
Trees	Vektor známé velikosti Single	Výstupní hodnoty všech stromů. Jeho velikost je identická s celkovým počtem stromů v modelu stromového souboru.
Leaves	Vektor známé velikosti Single	Znázornění vektoru 0-1 na ID všech listů, do kterých spadá vstupní vektor funkce. Jeho velikost je celkový počet listů v modelu stromového souboru.
Paths	Vektor známé velikosti Single	Znázornění vektoru 0-1 na cesty, kterými vektor vstupní funkce prochází, aby dosáhl listů. Jeho velikost je počet uzlů bez listu v modelu stromového souboru.

Všechny tyto výstupní sloupce jsou volitelné a uživatel může změnit svoje názvy. Nastavte názvy vynechaných sloupců na hodnotu null, aby se nevygenerovaly.

Podrobnosti o predikci

Tento odhadce vytvoří několik výstupních sloupců z modelu stromového souboru. Předpokládejme, že model obsahuje pouze jeden rozhodovací strom:

               Node 0
               /    \
             /        \
           /            \
         /                \
       Node 1            Node 2
       /    \            /    \
     /        \        /        \
   /            \     Leaf -3  Node 3
  Leaf -1      Leaf -2         /    \
                             /        \
                            Leaf -4  Leaf -5

Předpokládejme, že vektor vstupní funkce spadá do Leaf -1. Výstupem Trees může být vektor s 1 elementy, kde jedinou hodnotou je rozhodovací hodnota přenášená nástrojem Leaf -1. Výstupem Leaves je vektor 0-1. Pokud je dosažený list $i$-th (indexovaný pomocí $-(i+1)$, takže první list je Leaf -1) list ve stromu, $i$-ta hodnota v Leaves hodnotě bude 1 a všechny ostatní hodnoty budou 0. Výstupem Paths je 0-1 reprezentace uzlů předaných před dosažením listu. Prvek $i$-th v indikuje Paths , jestli se dotkne $i$-tý uzel (indexovaný $i$). Například dosažení Leaf -1 potenciálního zákazníka na $[1; 1, 0, 0]$ jako Paths. Pokud existuje více stromů, tento odhadce jednoduše zřetězí Trees's Leaves, 's Paths' ze všech stromů (informace prvního stromu jsou na prvním místě ve zřetězených vektorech).

V části Viz také najdete odkazy na příklady použití.

Metody

Fit(IDataView)	Vytvoří sloupec TreeEnsembleModelParameters , který mapuje sloupec volaný InputColumnName v input na tři výstupní sloupce. (Zděděno od TreeEnsembleFeaturizationEstimatorBase)
GetOutputSchema(SchemaShape)	PretrainedTreeFeaturizationEstimator přidá tři sloupce s plovoucím vektorem do inputSchema. Vzhledem k sloupci vektoru funkce jsou přidané sloupce hodnotami předpovědi všech stromů, ID listů, do kterých vektor funkce spadá, a cesty k těmto listům. (Zděděno od TreeEnsembleFeaturizationEstimatorBase)

Metody rozšíření

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Připojte kontrolní bod ukládání do mezipaměti k řetězu odhadu. Tím se zajistí, že podřízené estimátory budou natrénovány na data uložená v mezipaměti. Je užitečné mít kontrolní bod ukládání do mezipaměti před školiteli, kteří mají více průchodů dat.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

V případě estimátoru vrátí objekt obtékání, který bude volat delegáta, jakmile Fit(IDataView) je volána. Pro odhadce je často důležité, aby vracel informace o tom, co bylo vhodné, a proto Fit(IDataView) metoda vrací objekt s konkrétním typem, spíše než jen obecný ITransformerobjekt . Zároveň IEstimator<TTransformer> jsou však často tvořeny kanály s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadců, kde EstimatorChain<TLastTransformer> je odhadovač, pro který chceme získat transformátor, uložen někde v tomto řetězci. Pro tento scénář můžeme pomocí této metody připojit delegáta, který bude volána po zavolání fit.

Viz také

• FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)