FastForestBinaryTrainer Kelas
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
IEstimator<TTransformer> untuk melatih model klasifikasi biner pohon keputusan menggunakan Fast Forest.
public sealed class FastForestBinaryTrainer : Microsoft.ML.Trainers.FastTree.RandomForestTrainerBase<Microsoft.ML.Trainers.FastTree.FastForestBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>,Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>type FastForestBinaryTrainer = class
inherit RandomForestTrainerBase<FastForestBinaryTrainer.Options, BinaryPredictionTransformer<FastForestBinaryModelParameters>, FastForestBinaryModelParameters>Public NotInheritable Class FastForestBinaryTrainer
Inherits RandomForestTrainerBase(Of FastForestBinaryTrainer.Options, BinaryPredictionTransformer(Of FastForestBinaryModelParameters), FastForestBinaryModelParameters)- Warisan
Keterangan
Untuk membuat pelatih ini, gunakan FastForest atau FastForest(Options).
Kolom Input dan Output
Data kolom label input harus berupa Boolean. Data kolom fitur input harus merupakan vektor berukuran dikenal dari Single.
Pelatih ini menghasilkan kolom berikut:
| Nama Kolom Output | Tipe Kolom | Description | |
|---|---|---|---|
Score |
Single | Skor tidak terbatas yang dihitung oleh model. | |
PredictedLabel |
Boolean | Label yang diprediksi, berdasarkan tanda skor. Skor negatif dipetakan ke false dan skor positif dipetakan ke true. |
|
Probability |
Single | Probabilitas dihitung dengan mengkalibrasi skor memiliki true sebagai label. Nilai probabilitas berada dalam rentang [0, 1]. |
Karakteristik Pelatih
| Tugas pembelajaran mesin | Klasifikasi biner |
| Apakah normalisasi diperlukan? | Tidak |
| Apakah penembolokan diperlukan? | Tidak |
| NuGet yang diperlukan selain Microsoft.ML | Microsoft.ML.FastTree |
| Dapat diekspor ke ONNX | Ya |
Detail Algoritma Pelatihan
Pohon keputusan adalah model non-parametrik yang melakukan urutan pengujian sederhana pada input. Prosedur keputusan ini memetakannya ke output yang ditemukan dalam himpunan data pelatihan yang inputnya mirip dengan instans yang sedang diproses. Keputusan dibuat pada setiap simpul struktur data pohon biner berdasarkan ukuran kesamaan yang memetakan setiap instans secara rekursif melalui cabang pohon sampai node daun yang sesuai tercapai dan keputusan output dikembalikan.
Pohon keputusan memiliki beberapa keuntungan:
- Mereka efisien dalam komputasi dan penggunaan memori selama pelatihan dan prediksi.
- Mereka dapat mewakili batas keputusan non-linier.
- Mereka melakukan pemilihan dan klasifikasi fitur terintegrasi.
- Mereka tangguh di hadapan fitur berisik.
Hutan cepat adalah implementasi hutan acak. Model ini terdiri dari ansambel pohon keputusan. Setiap pohon dalam hutan keputusan menghasilkan distribusi Gaussia dengan cara prediksi. Agregasi dilakukan di atas ansambel pohon untuk menemukan distribusi Gaussia yang paling dekat dengan distribusi gabungan untuk semua pohon dalam model. Pengklasifikasi hutan keputusan ini terdiri dari ansambel pohon keputusan.
Umumnya, model ansambel memberikan cakupan dan akurasi yang lebih baik daripada pohon keputusan tunggal. Setiap pohon dalam hutan keputusan menghasilkan distribusi Gaussia.
Untuk informasi selengkapnya lihat:
Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.
Bidang
| Nama | Deskripsi |
|---|---|
| FeatureColumn |
Kolom fitur yang diharapkan pelatih. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Kolom groupID opsional yang diharapkan pelatih peringkat. (Diperoleh dari TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Kolom label yang diharapkan pelatih. Dapat berupa |
| WeightColumn |
Kolom berat yang diharapkan pelatih. Dapat berupa |
Properti
| Nama | Deskripsi |
|---|---|
| Info |
IEstimator<TTransformer> untuk melatih model klasifikasi biner pohon keputusan menggunakan Fast Forest. (Diperoleh dari FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Metode
| Nama | Deskripsi |
|---|---|
| Fit(IDataView, IDataView) |
FastForestBinaryTrainer Melatih menggunakan data pelatihan dan validasi, mengembalikan BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> untuk melatih model klasifikasi biner pohon keputusan menggunakan Fast Forest. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
Metode Ekstensi
| Nama | Deskripsi |
|---|---|
| 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 lolos. |
| 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 di ketik 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 cocok dipanggil. |