TreeEnsembleModelParametersBasedOnRegressionTree 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.
TreeEnsembleModelParametersBasedOnRegressionTree wird aus TreeEnsembleModelParameters einem stark typierten öffentlichen Attribut abgeleitet, TrainedTreeEnsembleum die Details des geschulten Modells für Benutzer anzuzeigen. Seine Funktion, wird aufgerufen, Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTree.CreateTreeEnsembleFromInternalDataStructureum innerhalb TreeEnsembleModelParameterszu erstellenTrainedTreeEnsemble. Beachten Sie, dass der Hauptunterschied zwischen TreeEnsembleModelParametersBasedOnQuantileRegressionTree und TreeEnsembleModelParametersBasedOnRegressionTree der Typ von TrainedTreeEnsemble.
public abstract class TreeEnsembleModelParametersBasedOnRegressionTree : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParameterstype TreeEnsembleModelParametersBasedOnRegressionTree = class
inherit TreeEnsembleModelParametersPublic MustInherit Class TreeEnsembleModelParametersBasedOnRegressionTree
Inherits TreeEnsembleModelParameters- Vererbung
-
TreeEnsembleModelParametersBasedOnRegressionTree
- Abgeleitet
Eigenschaften
| TrainedTreeEnsemble |
Ein Ensemble von Bäumen, die Benutzern ausgesetzt sind. Es ist ein Wrapper auf dem |
Methoden
| GetFeatureWeights(VBuffer<Single>) |
Rufen Sie die kumulativen Split-Gewinne für jedes Feature in allen Bäumen ab. (Geerbt von TreeEnsembleModelParameters) |
Explizite Schnittstellenimplementierungen
| ICalculateFeatureContribution.FeatureContributionCalculator |
Wird verwendet, um den Beitrag jedes Features zur Bewertung eines Beispiels FeatureContributionCalculatingTransformerzu bestimmen. Die Berechnung des Featurebeitrags besteht im Wesentlichen darin, zu bestimmen, welche Splits in der Struktur die meisten Auswirkungen auf die endgültige Bewertung haben und den Wert der Auswirkungen auf die Features zuweisen, die den Geteilten bestimmen. Genauer gesagt ist der Beitrag eines Features gleich der Änderung der Bewertung, die durch die Untersuchung der entgegengesetzten Unterstruktur erstellt wird, jedes Mal, wenn ein Entscheidungsknoten für das angegebene Feature aufgetreten ist. Berücksichtigen Sie einen einfachen Fall mit einer einzelnen Entscheidungsstruktur, die einen Entscheidungsknoten für das binäre Feature F1 aufweist. Angesichts eines Beispiels, das das Feature F1 gleich "true" aufweist, können wir die Bewertung berechnen, die sie erhalten hätte, wenn wir die Unterstruktur ausgewählt haben, die dem Feature F1 entspricht, das "false" entspricht, während die anderen Features konstant bleiben. Der Beitrag von Feature F1 für das angegebene Beispiel ist der Unterschied zwischen der ursprünglichen Bewertung und der Bewertung, die durch die entgegengesetzte Entscheidung am Knoten erzielt wird, der dem Feature F1 entspricht. Dieser Algorithmus erweitert sich natürlich auf Modelle mit vielen Entscheidungsbäumen. (Geerbt von TreeEnsembleModelParameters) |
| ICanSaveModel.Save(ModelSaveContext) |
TreeEnsembleModelParametersBasedOnRegressionTree wird aus TreeEnsembleModelParameters einem stark typierten öffentlichen Attribut abgeleitet, TrainedTreeEnsembleum die Details des geschulten Modells für Benutzer anzuzeigen. Seine Funktion, wird aufgerufen, Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTree.CreateTreeEnsembleFromInternalDataStructureum innerhalb TreeEnsembleModelParameterszu erstellenTrainedTreeEnsemble. Beachten Sie, dass der Hauptunterschied zwischen TreeEnsembleModelParametersBasedOnQuantileRegressionTree und TreeEnsembleModelParametersBasedOnRegressionTree der Typ von TrainedTreeEnsemble. (Geerbt von ModelParametersBase<TOutput>) |