FastTreeBinaryModelParameters Classe

Définition

Espace de noms:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Paquet:

Microsoft.ML.FastTree v2.0.0

Paramètres de modèle pour FastTreeBinaryTrainer.

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

type FastTreeBinaryModelParameters = class
    inherit TreeEnsembleModelParametersBasedOnRegressionTree

Public NotInheritable Class FastTreeBinaryModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree

Héritage

Object

ModelParametersBase<Single>

TreeEnsembleModelParameters

TreeEnsembleModelParametersBasedOnRegressionTree

FastTreeBinaryModelParameters

Propriétés

TrainedTreeEnsemble

Ensemble d’arbres exposés aux utilisateurs. Il s’agit d’un wrapper dans .internalMicrosoft.ML.Trainers.FastTree.InternalTreeEnsembleTreeEnsemble<T> (Hérité de TreeEnsembleModelParametersBasedOnRegressionTree)

Méthodes

GetFeatureWeights(VBuffer<Single>)

Obtenez les gains cumulés de fractionnement pour chaque fonctionnalité sur toutes les arborescences. (Hérité de TreeEnsembleModelParameters)

Implémentations d’interfaces explicites

ICalculateFeatureContribution.FeatureContributionCalculator

Permet de déterminer la contribution de chaque fonctionnalité au score d’un exemple par FeatureContributionCalculatingTransformer. Le calcul de la contribution des caractéristiques consiste essentiellement à déterminer les fractionnements de l’arborescence ayant le plus d’impact sur le score final et à attribuer la valeur de l’impact aux caractéristiques déterminant la division. Plus précisément, la contribution d’une fonctionnalité est égale à la modification du score produit en explorant la sous-arborescence opposée chaque fois qu’un nœud de décision pour la fonctionnalité donnée est rencontré. Considérez un cas simple avec un arbre de décision unique qui a un nœud de décision pour la fonctionnalité binaire F1. Étant donné un exemple qui a la fonctionnalité F1 égale à true, nous pouvons calculer le score obtenu si nous avons choisi la sous-arborescence correspondant à la fonctionnalité F1 étant égale à false tout en conservant la constante des autres fonctionnalités. La contribution de la fonctionnalité F1 pour l’exemple donné est la différence entre le score d’origine et le score obtenu en prenant la décision opposée au nœud correspondant à la fonctionnalité F1. Cet algorithme s’étend naturellement aux modèles avec de nombreux arbres de décision. (Hérité de TreeEnsembleModelParameters)

ICanSaveModel.Save(ModelSaveContext)

Paramètres de modèle pour FastTreeBinaryTrainer. (Hérité de ModelParametersBase<TOutput>)