FastTreeTweedieFeaturizationEstimator Clase

Definición

Espacio de nombres:

Microsoft.ML.Trainers.FastTree

Ensamblado:

Microsoft.ML.FastTree.dll

Paquete:

Microsoft.ML.FastTree v2.0.0

para IEstimator<TTransformer> transformar el vector de características de entrada en características basadas en árboles.

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

type FastTreeTweedieFeaturizationEstimator = class
    inherit TreeEnsembleFeaturizationEstimatorBase

Public NotInheritable Class FastTreeTweedieFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase

Herencia

Object

TreeEnsembleFeaturizationEstimatorBase

FastTreeTweedieFeaturizationEstimator

Comentarios

Columnas de entrada y salida

Los datos de la columna de etiquetas de entrada deben ser Single. Los datos de columna de características de entrada deben ser un vector de tamaño conocido de Single.

Este estimador genera las columnas siguientes:

Nombre de columna de salida	Tipo de columna	Descripción
Trees	Vector de tamaño conocido de Single	Valores de salida de todos los árboles. Su tamaño es idéntico al número total de árboles del modelo de conjunto de árboles.
Leaves	Vector de tamaño conocido de Single	Representación vectorial de 0 a 1 en los identificadores de todas las hojas en las que entra el vector de característica de entrada. Su tamaño es el número de hojas totales en el modelo de conjunto de árboles.
Paths	Vector de tamaño conocido de Single	Representación vectorial de 0 a 1 en las rutas de acceso a las que pasó el vector de característica de entrada para llegar a las hojas. Su tamaño es el número de nodos que no son hoja en el modelo de conjunto de árboles.

Esas columnas de salida son opcionales y el usuario puede cambiar sus nombres. Establezca los nombres de las columnas omitidas en NULL para que no se produzcan.

Detalles de predicción

Este estimador genera varias columnas de salida a partir de un modelo de conjunto de árboles. Supongamos que el modelo solo contiene un árbol de decisión:

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

Supongamos que el vector de característica de entrada entra en Leaf -1. La salida Trees puede ser un vector de 1 elemento donde el único valor es el valor de decisión llevado por Leaf -1. La salida Leaves es un vector 0-1. Si la hoja alcanzada es la $i$-th (indizada por $-(i+1)$ por lo que la primera hoja es Leaf -1) hoja en el árbol, el valor de $i$-th en Leaves sería 1 y todos los demás valores serían 0. La salida Paths es una representación de 0 a 1 de los nodos pasados antes de alcanzar la hoja. El elemento $i$-th de Paths indica si se toca el nodo $i$-th (indexado por $i$). Por ejemplo, llegar a Leaf -1 $[1, 1, 0, 0]$ como Paths. Si hay varios árboles, este estimador simplemente concatena Treeslos Leavesde Pathstodos los árboles (la información del primer árbol se incluye primero en los vectores concatenados).

Consulte la sección Consulte también los vínculos a ejemplos de uso.

Métodos

Fit(IDataView)	Genera un objeto TreeEnsembleModelParameters que asigna la columna llamada InputColumnName en input a tres columnas de salida. (Heredado de TreeEnsembleFeaturizationEstimatorBase)
GetOutputSchema(SchemaShape)	PretrainedTreeFeaturizationEstimator agrega tres columnas de vector flotante a inputSchema. Dada una columna de vector de característica, las columnas agregadas son los valores de predicción de todos los árboles, los identificadores hoja en los que entra el vector de característica y las rutas de acceso a esas hojas. (Heredado de TreeEnsembleFeaturizationEstimatorBase)

Métodos de extensión

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

Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de bajada se entrenarán con datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos.

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

Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador se enterró en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit.

Consulte también

• FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)