FastForestBinaryTrainer Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Die IEstimator<TTransformer> Schulung eines binären Klassifizierungsmodells für die Entscheidungsstruktur mithilfe der Fast-Gesamtstruktur.
public sealed class FastForestBinaryTrainer : Microsoft.ML.Trainers.FastTree.RandomForestTrainerBase<Microsoft.ML.Trainers.FastTree.FastForestBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>,Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>type FastForestBinaryTrainer = class
inherit RandomForestTrainerBase<FastForestBinaryTrainer.Options, BinaryPredictionTransformer<FastForestBinaryModelParameters>, FastForestBinaryModelParameters>Public NotInheritable Class FastForestBinaryTrainer
Inherits RandomForestTrainerBase(Of FastForestBinaryTrainer.Options, BinaryPredictionTransformer(Of FastForestBinaryModelParameters), FastForestBinaryModelParameters)- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie FastForest oder FastForest(Options).
Eingabe- und Ausgabespalten
Die Daten in der Spalte für die Eingabezeichnung müssen Boolean sein. Die Spaltendaten der Eingabefeatures müssen ein Vektor mit bekannter Größe sein Single.
Der Trainer gibt folgende Spalten aus:
| Name der Ausgabespalte | Spaltentyp | Description | |
|---|---|---|---|
Score |
Single | Die ungebundene Bewertung, die vom Modell berechnet wurde. | |
PredictedLabel |
Boolean | Der vorhergesagte Bezeichnung, basierend auf dem Abzeichnen der Bewertung. Eine negative Bewertung wird false und eine positive Bewertung wird true zugeordnet. |
|
Probability |
Single | Die Wahrscheinlichkeit, die durch die Kalibrierung des Werts "true" als Beschriftung berechnet wird. Der Wahrscheinlichkeitswert liegt im Bereich [0, 1]. |
Trainermerkmale
| Machine Learning-Aufgabe | Binäre Klassifizierung |
| Ist normalisierung erforderlich? | No |
| Ist zwischenspeichern erforderlich? | No |
| Erforderliches NuGet zusätzlich zu Microsoft.ML | Microsoft.ML.FastTree |
| Exportierbar in ONNX | Yes |
Details des Schulungsalgorithmus
Entscheidungsstrukturen sind nicht parametrische Modelle, die eine Abfolge einfacher Tests auf Eingaben durchführen. Diese Entscheidungsprozedur ordnet sie Ausgaben im Schulungsdatensatz zu, deren Eingaben der verarbeiteten Instanz ähnlich waren. Bei jedem Knoten der Binären Struktur wird basierend auf einem Maß der Ähnlichkeit eine Entscheidung getroffen, die jede Instanz rekursiv durch die Verzweigungen der Struktur ordnet, bis der entsprechende Blattknoten erreicht ist, und die zurückgegebene Ausgabeentscheidung.
Entscheidungsbäume haben mehrere Vorteile:
- Sie sind sowohl bei der Berechnung als auch bei der Speicherauslastung während der Schulung und Vorhersage effizient.
- Sie können nicht lineare Entscheidungsgrenzen darstellen.
- Sie führen integrierte Featureauswahl und Klassifizierung durch.
- Sie sind robust in Anwesenheit von lauten Features.
Schnelle Gesamtstruktur ist eine zufällige Gesamtstrukturimplementierung. Das Modell besteht aus einem Ensemble von Entscheidungsbäumen. Jede Struktur in einer Entscheidungsstruktur gibt eine gaussische Verteilung per Vorhersage aus. Eine Aggregation erfolgt über das Ensemble von Bäumen, um eine gaussische Verteilung zu finden, die der kombinierten Verteilung für alle Bäume im Modell am nächsten kommt. Dieser Entscheidungs-Gesamtstrukturklassifizierer besteht aus einem Ensemble von Entscheidungsstrukturen.
Im Allgemeinen bieten Ensemblemodelle eine bessere Abdeckung und Genauigkeit als einzelne Entscheidungsstrukturen. Jede Struktur in einer Entscheidungsstruktur gibt eine gaussische Verteilung aus.
Weitere Informationen finden Sie unter:
- Wikipedia: Zufällige Gesamtstruktur
- Quantile Regressions-Gesamtstruktur
- Von Stumps zu Bäumen bis zu Wäldern
Im Abschnitt "Siehe auch" finden Sie Links zu Beispielen für die Verwendung.
Felder
| Name | Beschreibung |
|---|---|
| FeatureColumn |
Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Die optionale GroupID-Spalte, die von den Bewertungstrainern erwartet wird. (Geerbt von TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Die Bezeichnungsspalte, die der Trainer erwartet. Dies kann sein |
| WeightColumn |
Die Gewichtsspalte, die der Trainer erwartet. Dies kann sein |
Eigenschaften
| Name | Beschreibung |
|---|---|
| Info |
Die IEstimator<TTransformer> Schulung eines binären Klassifizierungsmodells für die Entscheidungsstruktur mithilfe der Fast-Gesamtstruktur. (Geerbt von FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView, IDataView) |
Trainiert eine FastForestBinaryTrainer Verwendung von Schulungs- und Validierungsdaten, gibt eine BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Die IEstimator<TTransformer> Schulung eines binären Klassifizierungsmodells für die Entscheidungsstruktur mithilfe der Fast-Gesamtstruktur. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
Erweiterungsmethoden
| Name | Beschreibung |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird. |