FastTreeRankingTrainer Třída

Definice

Trénování IEstimator<TTransformer> modelu řazení rozhodovacího stromu pomocí FastTree

public sealed class FastTreeRankingTrainer : Microsoft.ML.Trainers.FastTree.BoostingFastTreeTrainerBase<Microsoft.ML.Trainers.FastTree.FastTreeRankingTrainer.Options,Microsoft.ML.Data.RankingPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastTreeRankingModelParameters>,Microsoft.ML.Trainers.FastTree.FastTreeRankingModelParameters>
Dědičnost

Poznámky

Chcete-li vytvořit tohoto trenéra, použijte FastTree nebo FastTree(Možnosti).

Vstupní a výstupní sloupce

Datový typ vstupního popisku musí být typ klíče nebo Single. Hodnota popisku určuje relevance, kde vyšší hodnoty označují vyšší relevance. Pokud je popisek typem klíče , pak je index klíče hodnotou relevance, kde nejmenší index je nejméně relevantní. Pokud je Singlepopisek , větší hodnoty označují vyšší význam. Sloupec funkce musí být vektorem Single známé velikosti a vstupním sloupcem skupiny řádků musí být typ klíče .

Tento trenér vypíše následující sloupce:

Název výstupního sloupce Typ sloupce Description
Score Single Nevázané skóre vypočítané modelem k určení předpovědi.

Charakteristiky trenéra

Úloha strojového učení Pořadí
Vyžaduje se normalizace? No
Vyžaduje se ukládání do mezipaměti? No
Povinné nuGet kromě Microsoft.ML Microsoft.ML.FastTree
Exportovatelný do ONNX No

Podrobnosti o trénovacím algoritmu

FastTree je efektivní implementace algoritmu pro zvýšení přechodu MART . Zvýšení přechodu je technika strojového učení pro regresní problémy. Vytvoří každý regresní strom v podrobném měřítku pomocí předdefinované funkce ztráty k měření chyby pro každý krok a opraví ho v dalším kroku. Takže tento prediktivní model je ve skutečnosti soubor slabších prediktivních modelů. V regresních problémech vytváří zvýšení řady takových stromů krokově moudrým způsobem a pak vybere optimální strom pomocí libovolné odlišitelné ztrátové funkce.

MART se učí soubor regresních stromů, což je rozhodovací strom se skalárními hodnotami v jeho listech. Rozhodovací strom (nebo regrese) je binární vývojový graf podobný binárnímu stromu, kde se na každém vnitřním uzlu rozhodne, který ze dvou podřízených uzlů bude pokračovat na základě jedné z hodnot funkcí ze vstupu. Na každém uzlu listu se vrátí hodnota. V vnitřních uzlech je rozhodnutí založeno na testu x <= v, kde x je hodnota funkce ve vstupní ukázce a v je jednou z možných hodnot této funkce. Funkce, které lze vytvořit regresním stromem, jsou všechny konstantní funkce pro kusy.

Soubor stromů se vytváří výpočtem, v každém kroku regresní strom, který přibližuje přechod funkce ztráty a přidá ho do předchozího stromu s koeficienty, které minimalizují ztrátu nového stromu. Výstupem souboru vytvořeného MART v dané instanci je součet výstupů stromu.

  • V případě problému s binární klasifikací se výstup převede na pravděpodobnost pomocí určité formy kalibrace.
  • V případě problému regrese je výstup predikovanou hodnotou funkce.
  • V případě problému s řazením jsou instance seřazeny podle výstupní hodnoty souboru.

Další informace najdete tady:

V části Viz také najdete odkazy na příklady použití.

Pole

FeatureColumn

Sloupec funkcí, který trenér očekává.

(Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
GroupIdColumn

Volitelný sloupec groupID, který očekává trenér hodnocení.

(Zděděno od TrainerEstimatorBaseWithGroupId<TTransformer,TModel>)
LabelColumn

Sloupec popisku, který trenér očekává. Může to být null, což označuje, že popisek se nepoužívá pro trénování.

(Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn

Sloupec hmotnosti, který trenér očekává. Může být null, což značí, že váha se nepoužívá pro trénování.

(Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Vlastnosti

Info

Trénování IEstimator<TTransformer> modelu řazení rozhodovacího stromu pomocí FastTree

(Zděděno od FastTreeTrainerBase<TOptions,TTransformer,TModel>)

Metody

Fit(IDataView, IDataView)

FastTreeRankingTrainer Trénování pomocí trénovacích i ověřovacích dat vrátí RankingPredictionTransformer<TModel>hodnotu .

Fit(IDataView)

Vlaky a vrátí ITransformerhodnotu .

(Zděděno od TrainerEstimatorBase<TTransformer,TModel>)
GetOutputSchema(SchemaShape)

Trénování IEstimator<TTransformer> modelu řazení rozhodovacího stromu pomocí FastTree

(Zděděno od TrainerEstimatorBase<TTransformer,TModel>)

Metody rozšíření

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

Připojte k řetězci odhadu kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby se podřízené estimátory natrénovaly na data uložená v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti.

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

Pokud získáte odhadátor, vraťte obtékání objektu, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně zadaný objekt, a ne jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadovačů prostřednictvím EstimatorChain<TLastTransformer> toho, kde je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, uložen někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po volání fit.

Platí pro

Produkt Verze
ML.NET 1.0.0, 1.1.0, 1.2.0, 1.3.1, 1.4.0, 1.5.0, 1.6.0, 1.7.0, 2.0.0, 3.0.0

Viz také