FastTreeRankingTrainer.Options Classe

Définition

Espace de noms:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Paquet:

Microsoft.ML.FastTree v2.0.0

Options pour le FastTreeRankingTrainer telles qu’utilisées dans FastTree(Options).

public sealed class FastTreeRankingTrainer.Options : Microsoft.ML.Trainers.FastTree.BoostedTreeOptions, Microsoft.ML.Runtime.IComponentFactory<Microsoft.ML.ITrainer>

type FastTreeRankingTrainer.Options = class
    inherit BoostedTreeOptions
    interface IComponentFactory<ITrainer>
    interface IComponentFactory

Public NotInheritable Class FastTreeRankingTrainer.Options
Inherits BoostedTreeOptions
Implements IComponentFactory(Of ITrainer)

Héritage

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

FastTreeRankingTrainer.Options

Implémente

IComponentFactory IComponentFactory<Microsoft.ML.ITrainer>

Constructeurs

FastTreeRankingTrainer.Options()

Créez un FastTreeRankingTrainer.Options objet avec des valeurs par défaut.

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 la désactivation de l’ensachage). (Hérité de TreeOptions)
BestStepRankingRegressionTrees	Option permettant d’utiliser les meilleures arborescences d’étapes de régression. (Hérité de BoostedTreeOptions)
Bias	Biais pour le calcul du gradient pour chaque compartiment de fonctionnalités pour une fonctionnalité catégorielle. (Hérité de TreeOptions)
Bundling	Regroupez des bacs à faible population. Bundle.None(0) : pas de regroupement, Bundle.AggregateLowPopulation(1) : Group faible population, Bundle.Adjacent(2) : lot de population faible voisin. (Hérité de TreeOptions)
CategoricalSplit	S’il faut effectuer un fractionnement en fonction de plusieurs valeurs de caractéristiques catégorielles. (Hérité de TreeOptions)
CompressEnsemble	Compressez l’ensemble d’arborescences. (Hérité de TreeOptions)
CustomGains	Liste séparée par des virgules des gains associés à chaque étiquette de pertinence.
DiskTranspose	S’il faut utiliser le disque ou les fonctionnalités de transposition natives des données (le cas échéant) lors de l’exécution de la transposition. (Hérité de TreeOptions)
DropoutRate	Taux de décrochage pour la régularisation de l’arborescence. (Hérité de BoostedTreeOptions)
EnablePruning	Activez l’élagage d’arbre post-entraînement pour éviter le surajustement. Il nécessite un jeu de validation. (Hérité de BoostedTreeOptions)
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	S’il faut collecter des fonctionnalités pendant la préparation du jeu de données pour accélérer l’entraînement. (Hérité de TreeOptions)
FeatureFraction	Fraction des fonctionnalités (choisies au hasard) à utiliser sur chaque itération. Utilisez 0,9 si seulement 90 % des fonctionnalités sont nécessaires. Des nombres plus faibles permettent de réduire le surajustement. (Hérité de TreeOptions)
FeatureFractionPerSplit	Fraction des fonctionnalités (choisies au hasard) à utiliser sur chaque fractionnement. Si la valeur est 0,9, 90 % de toutes les fonctionnalités seraient supprimées dans l’attente. (Hérité de TreeOptions)
FeatureReusePenalty	Coefficient de pénalité de réutilisation de fonctionnalité (régularisation). (Hérité de TreeOptions)
FeatureSelectionSeed	Seed de la sélection de fonctionnalité active. (Hérité de TreeOptions)
FilterZeroLambdas	Filtrez zéro lambda pendant l’entraînement. (Hérité de BoostedTreeOptions)
GainConfidenceLevel	L’ajustement d’arborescence gagne en confiance. Considérez uniquement un gain 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. (Hérité de BoostedTreeOptions)
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. (Hérité de BoostedTreeOptions)
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 entre crochets. (Hérité de BoostedTreeOptions)
MaximumTreeOutput	Limite supérieure sur la valeur absolue de la sortie d’arborescence unique. (Hérité de BoostedTreeOptions)
MemoryStatistics	Imprimez 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 d’exemple catégoriel minimal 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. (Hérité de BoostedTreeOptions)
NdcgTruncationLevel	Troncation NDCG maximale à utiliser dans l’algorithme LambdaMAR.
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’arborescences de décision à créer dans l’ensemble. (Hérité de TreeOptions)
OptimizationAlgorithm	Algorithme d’optimisation à utiliser. (Hérité de BoostedTreeOptions)
PruningThreshold	Seuil de tolérance pour l’élagage. (Hérité de BoostedTreeOptions)
PruningWindowSize	Taille de fenêtre mobile pour l’élagage. (Hérité de BoostedTreeOptions)
RandomStart	L’entraînement commence à partir d’un classement aléatoire (déterminé par /r1). (Hérité de BoostedTreeOptions)
RowGroupColumnName	Colonne à utiliser par exemple groupId. (Hérité de TrainerInputBaseWithGroupId)
Seed	Seed du générateur de nombres aléatoires. (Hérité de TreeOptions)
Shrinkage	Retrait. (Hérité de BoostedTreeOptions)
Smoothing	Paramètre de lissage pour la régularisation de l’arborescence. (Hérité de TreeOptions)
SoftmaxTemperature	Température de la distribution softmax aléatoire pour le choix de la fonctionnalité. (Hérité de TreeOptions)
SparsifyThreshold	Niveau d’éparse nécessaire pour utiliser la représentation des caractéristiques éparses. (Hérité de TreeOptions)
TestFrequency	Calculez les valeurs de métriques pour l’apprentissage/la validité/le test de chaque série k. (Hérité de TreeOptions)
UseDcg	S’il faut effectuer l’apprentissage à l’aide du gain cumulé réduit (DCG) au lieu de DCG normalisé (NDCG).
UseLineSearch	Détermine s’il faut utiliser la recherche en ligne pour une taille d’étape. (Hérité de BoostedTreeOptions)
UseTolerantPruning	Utilisez la fenêtre et la tolérance pour l’élagage. (Hérité de BoostedTreeOptions)
WriteLastEnsemble	Écrivez le dernier ensemble au lieu de celui déterminé par l’arrêt précoce. (Hérité de BoostedTreeOptions)

Propriétés

EarlyStoppingMetric	Métriques d’arrêt précoces.
EarlyStoppingRule	Règle d’arrêt précoce utilisée pour mettre fin au processus d’entraînement une fois qu’elle répond à un critère spécifié. Les choix possibles sont EarlyStoppingRuleBaseles implémentations de telles que TolerantEarlyStoppingRule et GeneralityLossRule. (Hérité de BoostedTreeOptions)

Implémentations d’interfaces explicites

IComponentFactory<ITrainer>.CreateComponent(IHostEnvironment)

Options pour le FastTreeRankingTrainer telles qu’utilisées dans FastTree(Options).