LightGbmBinaryModelParameters Clase

Definición

Espacio de nombres:

Microsoft.ML.Trainers.LightGbm

Ensamblado:

Microsoft.ML.LightGbm.dll

Paquete:

Microsoft.ML.LightGbm v3.0.1

Parámetros de modelo para LightGbmBinaryTrainer.

public sealed class LightGbmBinaryModelParameters : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTree

type LightGbmBinaryModelParameters = class
    inherit TreeEnsembleModelParametersBasedOnRegressionTree

Public NotInheritable Class LightGbmBinaryModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree

Herencia

Object

ModelParametersBase<Single>

TreeEnsembleModelParameters

TreeEnsembleModelParametersBasedOnRegressionTree

LightGbmBinaryModelParameters

Propiedades

TrainedTreeEnsemble

Conjunto de árboles expuestos a los usuarios. Es un contenedor en en internalMicrosoft.ML.Trainers.FastTree.InternalTreeEnsembleTreeEnsemble<T>. (Heredado de TreeEnsembleModelParametersBasedOnRegressionTree)

Métodos

GetFeatureWeights(VBuffer<Single>)

Obtenga las ganancias de división acumulativas de cada característica en todos los árboles. (Heredado de TreeEnsembleModelParameters)

Implementaciones de interfaz explícitas

ICalculateFeatureContribution.FeatureContributionCalculator

Se usa para determinar la contribución de cada característica a la puntuación de un ejemplo por FeatureContributionCalculatingTransformer. El cálculo de la contribución de características consiste básicamente en determinar qué divisiones del árbol tienen el mayor impacto en la puntuación final y asignar el valor del impacto a las características que determinan la división. Más precisamente, la contribución de una característica es igual al cambio en la puntuación generada explorando el subárbol opuesto cada vez que se encuentra un nodo de decisión para la característica especificada. Considere un caso sencillo con un único árbol de decisión que tiene un nodo de decisión para la característica binaria F1. Dado un ejemplo que tiene la característica F1 igual a true, podemos calcular la puntuación que habría obtenido si elegimos el subárbol correspondiente a la característica F1 siendo igual a false mientras mantiene constantes las otras características. La contribución de la característica F1 para el ejemplo dado es la diferencia entre la puntuación original y la puntuación obtenida tomando la decisión opuesta en el nodo correspondiente a la característica F1. Este algoritmo se extiende de forma natural a los modelos con muchos árboles de decisión. (Heredado de TreeEnsembleModelParameters)

ICanSaveModel.Save(ModelSaveContext)

Parámetros de modelo para LightGbmBinaryTrainer. (Heredado de ModelParametersBase<TOutput>)