FastTreeBinaryTrainer 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.
Schulung IEstimator<TTransformer> eines binären Klassifizierungsmodells für die Entscheidungsstruktur mithilfe von FastTree.
public sealed class FastTreeBinaryTrainer : Microsoft.ML.Trainers.FastTree.BoostingFastTreeTrainerBase<Microsoft.ML.Trainers.FastTree.FastTreeBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.FastTreeBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.FastTreeBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type FastTreeBinaryTrainer = class
inherit BoostingFastTreeTrainerBase<FastTreeBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<FastTreeBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<FastTreeBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class FastTreeBinaryTrainer
Inherits BoostingFastTreeTrainerBase(Of FastTreeBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of FastTreeBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of FastTreeBinaryModelParameters, PlattCalibrator))- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie FastTree oder FastTree(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
FastTree ist eine effiziente Implementierung des MART-Farbverlaufsalgorithmus. Die Farbverlaufsverhebung ist eine Maschinelle Lerntechnik für Regressionsprobleme. Sie erstellt jede Regressionsstruktur schrittweise, indem sie eine vordefinierte Verlustfunktion verwendet, um den Fehler für jeden Schritt zu messen und im nächsten Schritt zu korrigieren. Dieses Vorhersagemodell ist also tatsächlich ein Ensemble schwächerer Vorhersagemodelle. Bei Regressionsproblemen baut die Verstärkung eine Reihe solcher Bäume in einer schrittweisen Weise auf und wählt dann den optimalen Baum unter Verwendung einer beliebigen unterscheidungsfähigen Verlustfunktion aus.
MART lernt ein Ensemble von Regressionsbäumen, bei dem es sich um einen Entscheidungsbaum mit skalaren Werten in seinen Blättern handelt. Eine Entscheidungsstruktur (oder Regressionsstruktur) ist ein binäres strukturähnliches Flussdiagramm, bei dem bei jedem inneren Knoten eines der beiden untergeordneten Knoten basierend auf einem der Featurewerte aus der Eingabe entschieden wird. Bei jedem Blattknoten wird ein Wert zurückgegeben. In den Innenknoten basiert die Entscheidung auf dem Test x <= v, wobei x der Wert des Features im Eingabebeispiel ist und v einer der möglichen Werte dieses Features ist. Die Funktionen, die von einer Regressionsstruktur erzeugt werden können, sind alle stückweise konstanten Funktionen.
Das Ensemble von Bäumen wird durch berechnen, in jedem Schritt, eine Regressionsstruktur, die den Farbverlauf der Verlustfunktion annähert, und fügt es der vorherigen Struktur mit Koeffizienten hinzu, die den Verlust der neuen Struktur minimieren. Die Ausgabe des Ensembles, das von MART in einer bestimmten Instanz erzeugt wird, ist die Summe der Baumausgaben.
- Bei einem Binärklassifizierungsproblem wird die Ausgabe mithilfe einer Form der Kalibrierung in eine Wahrscheinlichkeit konvertiert.
- Bei einem Regressionsproblem ist die Ausgabe der vorhergesagten Wert der Funktion.
- Bei einem Rangfolgeproblem werden die Instanzen vom Ausgabewert des Ensembles sortiert.
Weitere Informationen finden Sie unter:
- Wikipedia: Farbverlaufsverstufung (Farbverlaufsbaumverstufung).
- Gierfunktion Näherung: Eine Farbverlaufssteigerungsmaschine.
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 |
Schulung IEstimator<TTransformer> eines binären Klassifizierungsmodells für die Entscheidungsstruktur mithilfe von FastTree. (Geerbt von FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView, IDataView) |
Trainiert eine FastTreeBinaryTrainer Verwendung von Schulungs- und Validierungsdaten, gibt eine BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Schulung IEstimator<TTransformer> eines binären Klassifizierungsmodells für die Entscheidungsstruktur mithilfe von FastTree. (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. |