FastForestBinaryFeaturizationEstimator Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers.FastTree

Rakitan:

Microsoft.ML.FastTree.dll

Paket:

Microsoft.ML.FastTree v2.0.0

IEstimator<TTransformer> untuk mengubah vektor fitur input menjadi fitur berbasis pohon.

public sealed class FastForestBinaryFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBase

type FastForestBinaryFeaturizationEstimator = class
    inherit TreeEnsembleFeaturizationEstimatorBase

Public NotInheritable Class FastForestBinaryFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase

Warisan

Object

TreeEnsembleFeaturizationEstimatorBase

FastForestBinaryFeaturizationEstimator

Keterangan

Kolom Input dan Output

Data kolom label input harus Boolean. Data kolom fitur input harus merupakan vektor berukuran besar yang diketahui dari Single.

Estimator ini menghasilkan kolom berikut:

Nama Kolom Output	Jenis Kolom	Deskripsi
Trees	Vektor berukuran dikenal dari Single	Nilai output dari semua pohon. Ukurannya identik dengan jumlah total pohon dalam model ansambel pohon.
Leaves	Vektor berukuran dikenal dari Single	Representasi vektor 0-1 ke ID semua daun tempat vektor fitur input jatuh ke dalamnya. Ukurannya adalah jumlah total daun dalam model ansambel pohon.
Paths	Vektor berukuran dikenal dari Single	Representasi vektor 0-1 ke jalur yang dilewati vektor fitur input untuk mencapai daun. Ukurannya adalah jumlah node non-daun dalam model ansambel pohon.

Kolom output tersebut semuanya opsional dan pengguna dapat mengubah namanya. Atur nama kolom yang dilewati ke null agar tidak diproduksi.

Detail Prediksi

Estimator ini menghasilkan beberapa kolom output dari model ansambel pohon. Asumsikan bahwa model hanya berisi satu pohon keputusan:

               Node 0
               /    \
             /        \
           /            \
         /                \
       Node 1            Node 2
       /    \            /    \
     /        \        /        \
   /            \     Leaf -3  Node 3
  Leaf -1      Leaf -2         /    \
                             /        \
                            Leaf -4  Leaf -5

Asumsikan bahwa vektor fitur input termasuk dalam Leaf -1. Outputnya Trees mungkin vektor 1 elemen di mana satu-satunya nilai adalah nilai keputusan yang dibawa oleh Leaf -1. Outputnya Leaves adalah vektor 0-1. Jika daun yang dicapai adalah $i$-th (diindeks oleh $-(i+1)$ sehingga daun pertama adalah Leaf -1) daun di pohon, nilai $i$-th di Leaves adalah 1 dan semua nilai lainnya adalah 0. Output Paths adalah representasi 0-1 dari simpul yang dilewati sebelum mencapai daun. Elemen $i$-th dalam Paths menunjukkan apakah simpul $i$-th (diindeks oleh $i$) disentuh. Misalnya, mencapai Leaf -1 prospek ke $[1, 1, 0, 0]$ sebagai Paths. Jika ada beberapa pohon, estimator ini hanya TreesLeavesPathsmenggabungkan dari semua pohon (informasi pohon pertama datang pertama kali dalam vektor yang digabungkan).

Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.

Metode

Fit(IDataView)	Menghasilkan yang TreeEnsembleModelParameters memetakan kolom yang dipanggil InputColumnNameinput ke tiga kolom output. (Diperoleh dari TreeEnsembleFeaturizationEstimatorBase)
GetOutputSchema(SchemaShape)	PretrainedTreeFeaturizationEstimator menambahkan tiga kolom float-vektor ke dalam inputSchema. Mengingat kolom vektor fitur, kolom yang ditambahkan adalah nilai prediksi semua pohon, ID daun tempat vektor fitur jatuh, dan jalur ke daun tersebut. (Diperoleh dari TreeEnsembleFeaturizationEstimatorBase)

Metode Ekstensi

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data berlalu.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang ditik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> tempat estimator yang ingin kita dapatkan transformator dikubur di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah pas dipanggil.

Lihat juga

• FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)