BoostedTreeOptions Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Options pour améliorer les entraîneurs d’arbre.
public abstract class BoostedTreeOptions : Microsoft.ML.Trainers.FastTree.TreeOptions
type BoostedTreeOptions = class
inherit TreeOptions
Public MustInherit Class BoostedTreeOptions
Inherits TreeOptions
- Héritage
- Dérivé
Constructeurs
BoostedTreeOptions() |
Options pour améliorer les entraîneurs d’arbre. |
Champs
AllowEmptyTrees |
Lorsqu’un fractionnement racine est impossible, autorisez l’entraînement à continuer. (Hérité de TreeOptions) |
BaggingExampleFraction |
Pourcentage d’exemples d’entraînement utilisés dans chaque sac. La valeur par défaut est 0,7 (70 %). (Hérité de TreeOptions) |
BaggingSize |
Nombre d’arborescences dans chaque sac (0 pour désactiver l’ensachage). (Hérité de TreeOptions) |
BestStepRankingRegressionTrees |
Option permettant d’utiliser les meilleures arborescences d’étapes de régression. |
Bias |
Biais pour le calcul du gradient pour chaque compartiment de caractéristiques pour une fonctionnalité catégorielle. (Hérité de TreeOptions) |
Bundling |
Regrouper des bacs à faible population. Bundle.None(0) : aucun regroupement, Bundle.AggregateLowPopulation(1) : Bundle low population, Bundle.Adjacent(2) : lot de population faible voisin. (Hérité de TreeOptions) |
CategoricalSplit |
Indique s’il faut effectuer un fractionnement en fonction de plusieurs valeurs de caractéristiques catégorielles. (Hérité de TreeOptions) |
CompressEnsemble |
Compressez l’ensemble de l’arborescence. (Hérité de TreeOptions) |
DiskTranspose |
Indique s’il faut utiliser le disque ou les installations de transposition natives des données (le cas échéant) lors de l’exécution de la transpose. (Hérité de TreeOptions) |
DropoutRate |
Taux d’abandon pour la régularisation de l’arborescence. |
EnablePruning |
Activez l’élagage de l’arborescence post-entraînement pour éviter le surajustement. Elle nécessite un jeu de validation. |
EntropyCoefficient |
Coefficient d’entropie (régularisation) compris entre 0 et 1. (Hérité de TreeOptions) |
ExampleWeightColumnName |
Colonne à utiliser pour l’exemple de poids. (Hérité de TrainerInputBaseWithWeight) |
ExecutionTime |
Imprimer la répartition du temps d’exécution sur ML.NET canal. (Hérité de TreeOptions) |
FeatureColumnName |
Colonne à utiliser pour les fonctionnalités. (Hérité de TrainerInputBase) |
FeatureFirstUsePenalty |
La caractéristique utilise tout d’abord le coefficient de pénalité. (Hérité de TreeOptions) |
FeatureFlocks |
Indique s’il faut collecter des fonctionnalités pendant la préparation du jeu de données pour accélérer l’entraînement. (Hérité de TreeOptions) |
FeatureFraction |
Fraction de fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque itération. Utilisez 0,9 si seulement 90 % des fonctionnalités sont nécessaires. Des nombres inférieurs permettent de réduire le surajustement. (Hérité de TreeOptions) |
FeatureFractionPerSplit |
Fraction des fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque fractionnement. Si sa valeur est 0,9, 90 % de toutes les fonctionnalités seraient supprimées dans l’attente. (Hérité de TreeOptions) |
FeatureReusePenalty |
Coefficient de pénalité de réutilisation (régularisation) de la fonctionnalité. (Hérité de TreeOptions) |
FeatureSelectionSeed |
Valeur initiale de la sélection de fonctionnalité active. (Hérité de TreeOptions) |
FilterZeroLambdas |
Filtrez zéro lambda pendant l’entraînement. |
GainConfidenceLevel |
L’ajustement d’arborescence gagne en confiance. Considérez un gain uniquement si sa probabilité par rapport à un gain de choix aléatoire est supérieure à cette valeur. (Hérité de TreeOptions) |
GetDerivativesSampleRate |
Échantillonner chaque requête 1 en k fois dans la fonction GetDerivatives. |
HistogramPoolSize |
Nombre d’histogrammes dans le pool (entre 2 et numLeaves). (Hérité de TreeOptions) |
LabelColumnName |
Colonne à utiliser pour les étiquettes. (Hérité de TrainerInputBaseWithLabel) |
LearningRate |
Taux d’apprentissage. |
MaximumBinCountPerFeature |
Nombre maximal de valeurs distinctes (emplacements) par caractéristique. (Hérité de TreeOptions) |
MaximumCategoricalGroupCountPerNode |
Nombre maximal de groupes de fractionnements catégoriels à prendre en compte lors du fractionnement sur une fonctionnalité catégorielle. Les groupes fractionnés sont une collection de points de fractionnement. Cela permet de réduire le surajustement lorsqu’il existe de nombreuses fonctionnalités catégorielles. (Hérité de TreeOptions) |
MaximumCategoricalSplitPointCount |
Nombre maximal de points de fractionnement catégoriels à prendre en compte lors du fractionnement sur une fonctionnalité catégorielle. (Hérité de TreeOptions) |
MaximumNumberOfLineSearchSteps |
Nombre d’étapes de recherche de ligne post-crochet. |
MaximumTreeOutput |
Limite supérieure sur la valeur absolue de la sortie d’une seule arborescence. |
MemoryStatistics |
Imprimer les statistiques de mémoire sur ML.NET canal. (Hérité de TreeOptions) |
MinimumExampleCountPerLeaf |
Nombre minimal de points de données requis pour former une nouvelle feuille d’arborescence. (Hérité de TreeOptions) |
MinimumExampleFractionForCategoricalSplit |
Pourcentage minimal d’exemples catégoriels dans un bac à prendre en compte pour un fractionnement. La valeur par défaut est de 0,1 % de tous les exemples d’entraînement. (Hérité de TreeOptions) |
MinimumExamplesForCategoricalSplit |
Nombre minimal d’exemples catégoriels dans un bac à prendre en compte pour un fractionnement. (Hérité de TreeOptions) |
MinimumStepSize |
Taille minimale de l’étape de recherche de ligne. |
NumberOfLeaves |
Nombre maximal de feuilles dans chaque arborescence de régression. (Hérité de TreeOptions) |
NumberOfThreads |
Nombre de threads à utiliser. (Hérité de TreeOptions) |
NumberOfTrees |
Nombre total d’arbres de décision à créer dans l’ensemble. (Hérité de TreeOptions) |
OptimizationAlgorithm |
Algorithme d’optimisation à utiliser. |
PruningThreshold |
Seuil de tolérance pour l’élagage. |
PruningWindowSize |
Taille de la fenêtre mobile pour l’élagage. |
RandomStart |
L’entraînement commence à partir d’un classement aléatoire (déterminé par /r1). |
RowGroupColumnName |
Colonne à utiliser par exemple groupId. (Hérité de TrainerInputBaseWithGroupId) |
Seed |
Valeur initiale du générateur de nombres aléatoires. (Hérité de TreeOptions) |
Shrinkage |
Retrait. |
Smoothing |
Paramètre de lissage pour la régularisation de l’arborescence. (Hérité de TreeOptions) |
SoftmaxTemperature |
Température de la distribution aléatoire softmax pour le choix de la fonctionnalité. (Hérité de TreeOptions) |
SparsifyThreshold |
Niveau d’éparse nécessaire pour utiliser la représentation des fonctionnalités éparses. (Hérité de TreeOptions) |
TestFrequency |
Calculez les valeurs de métriques pour l’apprentissage/la validité/le test chaque k rounds. (Hérité de TreeOptions) |
UseLineSearch |
Détermine s’il faut utiliser la recherche de ligne pour une taille d’étape. |
UseTolerantPruning |
Utilisez la fenêtre et la tolérance pour l’élagage. |
WriteLastEnsemble |
Écrivez le dernier ensemble au lieu de celui déterminé par l’arrêt précoce. |
Propriétés
EarlyStoppingRule |
Règle d’arrêt anticipée utilisée pour arrêter le processus d’entraînement une fois qu’il répond à un critère spécifié. Les choix possibles sont EarlyStoppingRuleBaseles implémentations de , telles que TolerantEarlyStoppingRule et GeneralityLossRule. |