TreeOptions Clase

Definición

Espacio de nombres:

Microsoft.ML.Trainers.FastTree

Ensamblado:

Microsoft.ML.FastTree.dll

Paquete:

Microsoft.ML.FastTree v3.0.1

Opciones para entrenadores de árbol.

public abstract class TreeOptions : Microsoft.ML.Trainers.TrainerInputBaseWithGroupId

type TreeOptions = class
    inherit TrainerInputBaseWithGroupId

Public MustInherit Class TreeOptions
Inherits TrainerInputBaseWithGroupId

Herencia

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

Derivado

Microsoft.ML.Trainers.FastTree.BoostedTreeOptions

Microsoft.ML.Trainers.FastTree.FastForestOptionsBase

Constructores

TreeOptions()

Opciones para entrenadores de árbol.

Campos

AllowEmptyTrees	Cuando una división raíz es imposible, permita que el entrenamiento continúe.
BaggingExampleFraction	Porcentaje de ejemplos de entrenamiento usados en cada bolsa. El valor predeterminado es 0,7 (70 %).
BaggingSize	Número de árboles de cada bolsa (0 para deshabilitar el etiquetado).
Bias	Sesgo para calcular el degradado de cada contenedor de características para una característica de categorías.
Bundling	Agrupación de cubos de población bajos. Bundle.None(0): sin agrupación, Bundle.AggregateLowPopulation(1): Agrupación baja población, Bundle.Adjacent(2): agrupación baja de población vecina.
CategoricalSplit	Si se va a dividir en función de varios valores de características de categorías.
CompressEnsemble	Comprima el conjunto de árbol.
DiskTranspose	Si se va a utilizar el disco o las instalaciones nativas de adaptación de los datos (si procede) al realizar la transposición.
EntropyCoefficient	Coeficiente de entropía (regularización) entre 0 y 1.
ExampleWeightColumnName	Columna que se va a usar, por ejemplo, peso. (Heredado de TrainerInputBaseWithWeight)
ExecutionTime	Desglose del tiempo de ejecución de impresión en ML.NET canal.
FeatureColumnName	Columna que se va a usar para las características. (Heredado de TrainerInputBase)
FeatureFirstUsePenalty	Coeficiente de penalización del primer uso de una característica.
FeatureFlocks	Si se recopilan características durante la preparación del conjunto de datos para acelerar el entrenamiento.
FeatureFraction	Fracción de características (elegidas aleatoriamente) que se usarán en cada iteración. Use el 0,9 si solo se necesita el 90 % de las características. Los números inferiores ayudan a reducir el sobreajuste.
FeatureFractionPerSplit	Fracción de características (elegidas aleatoriamente) que se usarán en cada división. Si el valor es 0,9, el 90 % de todas las características se eliminaría en expectativa.
FeatureReusePenalty	Coeficiente de penalización de uso (regularización) de la característica.
FeatureSelectionSeed	Inicialización de la selección de características activa.
GainConfidenceLevel	El ajuste de árbol obtiene un requisito de confianza. Considere solo una ganancia si su probabilidad frente a una ganancia de elección aleatoria está por encima de este valor.
HistogramPoolSize	Número de histogramas en el grupo (entre 2 y numLeaves).
LabelColumnName	Columna que se va a usar para las etiquetas. (Heredado de TrainerInputBaseWithLabel)
MaximumBinCountPerFeature	Número máximo de valores distintos (intervalos) por característica.
MaximumCategoricalGroupCountPerNode	Máximo de grupos de división de categorías que se deben tener en cuenta al dividir en una característica de categorías. Los grupos divididos son una colección de puntos de división. Esto se usa para reducir el sobreajuste cuando hay muchas características categóricas.
MaximumCategoricalSplitPointCount	Máximo de puntos de división de categorías que se deben tener en cuenta al dividir en una característica de categorías.
MemoryStatistics	Imprima estadísticas de memoria en ML.NET canal.
MinimumExampleCountPerLeaf	Número mínimo de puntos de datos necesarios para formar una hoja de árbol nueva.
MinimumExampleFractionForCategoricalSplit	Porcentaje mínimo de ejemplo de categorías en un contenedor que se debe tener en cuenta para una división. El valor predeterminado es el 0,1 % de todos los ejemplos de entrenamiento.
MinimumExamplesForCategoricalSplit	Recuento mínimo de ejemplo de categorías en un contenedor que se debe tener en cuenta para una división.
NumberOfLeaves	Número máximo de hojas en cada árbol de regresión.
NumberOfThreads	El número de subprocesos que se va a usar.
NumberOfTrees	Número total de árboles de decisión que se van a crear en el conjunto.
RowGroupColumnName	Columna que se va a usar por ejemplo groupId. (Heredado de TrainerInputBaseWithGroupId)
Seed	Inicialización del generador de números aleatorios.
Smoothing	Parámetro de suavizado para la regularización de árboles.
SoftmaxTemperature	Temperatura de la distribución softmax aleatoria para elegir la característica.
SparsifyThreshold	Nivel de dispersión necesario para usar la representación de características dispersas.
TestFrequency	Calcule los valores de métricas para entrenar, validar o probar cada k rounds.