FastForestBinaryModelParameters Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers.FastTree

Rakitan:

Microsoft.ML.FastTree.dll

Paket:

Microsoft.ML.FastTree v3.0.1

Parameter model untuk FastForestBinaryTrainer.

public sealed class FastForestBinaryModelParameters : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnQuantileRegressionTree

type FastForestBinaryModelParameters = class
    inherit TreeEnsembleModelParametersBasedOnQuantileRegressionTree

Public NotInheritable Class FastForestBinaryModelParameters
Inherits TreeEnsembleModelParametersBasedOnQuantileRegressionTree

Warisan

Object

ModelParametersBase<Single>

TreeEnsembleModelParameters

TreeEnsembleModelParametersBasedOnQuantileRegressionTree

FastForestBinaryModelParameters

Properti

TrainedTreeEnsemble

Ansambel pohon yang diekspos ke pengguna. Ini adalah pembungkus di internalMicrosoft.ML.Trainers.FastTree.InternalTreeEnsemble dalam TreeEnsemble<T>. (Diperoleh dari TreeEnsembleModelParametersBasedOnQuantileRegressionTree)

Metode

GetFeatureWeights(VBuffer<Single>)

Dapatkan keuntungan pemisahan kumulatif untuk setiap fitur di semua pohon. (Diperoleh dari TreeEnsembleModelParameters)

Implementasi Antarmuka Eksplisit

ICalculateFeatureContribution.FeatureContributionCalculator

Digunakan untuk menentukan kontribusi setiap fitur untuk skor contoh oleh FeatureContributionCalculatingTransformer. Perhitungan kontribusi fitur pada dasarnya terdiri dari menentukan pemisahan mana di pohon yang paling berdampak pada skor akhir dan menetapkan nilai dampak terhadap fitur yang menentukan pemisahan. Lebih tepatnya, kontribusi fitur sama dengan perubahan skor yang dihasilkan dengan menjelajahi sub-pohon yang berlawanan setiap kali simpul keputusan untuk fitur yang diberikan ditemui. Pertimbangkan kasus sederhana dengan satu pohon keputusan yang memiliki simpul keputusan untuk fitur biner F1. Mengingat contoh yang memiliki fitur F1 sama dengan true, kita dapat menghitung skor yang akan diperolehnya jika kita memilih subtree yang sesuai dengan fitur F1 yang sama dengan false sambil menjaga fitur lain tetap konstan. Kontribusi fitur F1 untuk contoh yang diberikan adalah perbedaan antara skor asli dan skor yang diperoleh dengan mengambil keputusan yang berlawanan pada node yang sesuai dengan fitur F1. Algoritma ini meluas secara alami ke model dengan banyak pohon keputusan. (Diperoleh dari TreeEnsembleModelParameters)

ICanSaveModel.Save(ModelSaveContext)

Parameter model untuk FastForestBinaryTrainer. (Diperoleh dari ModelParametersBase<TOutput>)