FastForestBinaryTrainer.Options Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers.FastTree

Rakitan:

Microsoft.ML.FastTree.dll

Paket:

Microsoft.ML.FastTree v3.0.1

Opsi untuk seperti yang FastForestBinaryTrainer digunakan dalam FastForest(Options).

public sealed class FastForestBinaryTrainer.Options : Microsoft.ML.Trainers.FastTree.FastForestOptionsBase

type FastForestBinaryTrainer.Options = class
    inherit FastForestOptionsBase

Public NotInheritable Class FastForestBinaryTrainer.Options
Inherits FastForestOptionsBase

Warisan

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

FastForestOptionsBase

FastForestBinaryTrainer.Options

Konstruktor

FastForestBinaryTrainer.Options()

Opsi untuk seperti yang FastForestBinaryTrainer digunakan dalam FastForest(Options).

Bidang

AllowEmptyTrees	Ketika pemisahan akar tidak mungkin, izinkan pelatihan untuk melanjutkan. (Diperoleh dari TreeOptions)
BaggingExampleFraction	Persentase contoh pelatihan yang digunakan di setiap tas. Defaultnya adalah 0,7 (70%). (Diperoleh dari TreeOptions)
BaggingSize	Jumlah pohon di setiap tas (0 untuk menonaktifkan bagging). (Diperoleh dari TreeOptions)
Bias	Bias untuk menghitung gradien untuk setiap bin fitur untuk fitur kategoris. (Diperoleh dari TreeOptions)
Bundling	Bundel bin populasi rendah. Bundle.None(0): tidak ada bundling, Bundle.AggregateLowPopulation(1): Bundel populasi rendah, Bundle.Adjacent(2): Bundel populasi rendah tetangga. (Diperoleh dari TreeOptions)
CategoricalSplit	Apakah akan melakukan pemisahan berdasarkan beberapa nilai fitur kategoris. (Diperoleh dari TreeOptions)
CompressEnsemble	Kompres pohon Ensemble. (Diperoleh dari TreeOptions)
DiskTranspose	Apakah akan menggunakan disk atau fasilitas transposisi asli data (jika berlaku) saat melakukan transpose. (Diperoleh dari TreeOptions)
EntropyCoefficient	Koefisien entropi (regularisasi) antara 0 dan 1. (Diperoleh dari TreeOptions)
ExampleWeightColumnName	Kolom yang akan digunakan misalnya berat. (Diperoleh dari TrainerInputBaseWithWeight)
ExecutionTime	Cetak perincian waktu eksekusi ke saluran ML.NET. (Diperoleh dari TreeOptions)
FeatureColumnName	Kolom yang digunakan untuk fitur. (Diperoleh dari TrainerInputBase)
FeatureFirstUsePenalty	Fitur ini pertama-tama menggunakan koefisien penalti. (Diperoleh dari TreeOptions)
FeatureFlocks	Apakah akan mengumpulkan fitur selama persiapan himpunan data untuk mempercepat pelatihan. (Diperoleh dari TreeOptions)
FeatureFraction	Pecahan fitur (dipilih secara acak) untuk digunakan pada setiap iterasi. Gunakan 0,9 jika hanya 90% fitur yang diperlukan. Angka yang lebih rendah membantu mengurangi over-fitting. (Diperoleh dari TreeOptions)
FeatureFractionPerSplit	Pecahan fitur (dipilih secara acak) untuk digunakan pada setiap pemisahan. Jika nilainya adalah 0,9, 90% dari semua fitur akan dihilangkan harapannya. (Diperoleh dari TreeOptions)
FeatureReusePenalty	Fitur ini menggunakan kembali koefisien penalti (regularisasi). (Diperoleh dari TreeOptions)
FeatureSelectionSeed	Benih pemilihan fitur aktif. (Diperoleh dari TreeOptions)
GainConfidenceLevel	Kecocokan pohon mendapatkan persyaratan keyakinan. Hanya pertimbangkan keuntungan jika kemungkinannya versus perolehan pilihan acak berada di atas nilai ini. (Diperoleh dari TreeOptions)
HistogramPoolSize	Jumlah histogram dalam kumpulan (antara 2 dan numLeaves). (Diperoleh dari TreeOptions)
LabelColumnName	Kolom yang digunakan untuk label. (Diperoleh dari TrainerInputBaseWithLabel)
MaximumBinCountPerFeature	Jumlah maksimum nilai (bin) yang berbeda per fitur. (Diperoleh dari TreeOptions)
MaximumCategoricalGroupCountPerNode	Grup pemisahan kategoris maksimum untuk dipertimbangkan saat memisahkan pada fitur kategoris. Grup terpisah adalah kumpulan titik terpisah. Ini digunakan untuk mengurangi overfitting ketika ada banyak fitur kategoris. (Diperoleh dari TreeOptions)
MaximumCategoricalSplitPointCount	Titik pemisahan kategoris maksimum untuk dipertimbangkan saat memisahkan pada fitur kategoris. (Diperoleh dari TreeOptions)
MaximumOutputMagnitudePerTree	Batas atas pada nilai absolut dari output pohon tunggal.
MemoryStatistics	Cetak statistik memori ke saluran ML.NET. (Diperoleh dari TreeOptions)
MinimumExampleCountPerLeaf	Jumlah minimal titik data yang diperlukan untuk membentuk daun pohon baru. (Diperoleh dari TreeOptions)
MinimumExampleFractionForCategoricalSplit	Persentase contoh kategoris minimum dalam bin yang perlu dipertimbangkan untuk pemisahan. Defaultnya adalah 0,1% dari semua contoh pelatihan. (Diperoleh dari TreeOptions)
MinimumExamplesForCategoricalSplit	Jumlah contoh kategoris minimum dalam bin untuk dipertimbangkan untuk pemisahan. (Diperoleh dari TreeOptions)
NumberOfLeaves	Jumlah maksimum daun di setiap pohon regresi. (Diperoleh dari TreeOptions)
NumberOfQuantileSamples	Jumlah titik data yang akan diambil sampelnya dari setiap daun untuk menemukan distribusi label. (Diperoleh dari FastForestOptionsBase)
NumberOfThreads	Jumlah rangkaian yang akan digunakan. (Diperoleh dari TreeOptions)
NumberOfTrees	Jumlah total pohon keputusan yang akan dibuat dalam ansambel. (Diperoleh dari TreeOptions)
RowGroupColumnName	Kolom yang akan digunakan misalnya groupId. (Diperoleh dari TrainerInputBaseWithGroupId)
Seed	Benih generator angka acak. (Diperoleh dari TreeOptions)
Smoothing	Parameter penghalusan untuk regularisasi pohon. (Diperoleh dari TreeOptions)
SoftmaxTemperature	Suhu distribusi softmax acak untuk memilih fitur. (Diperoleh dari TreeOptions)
SparsifyThreshold	Tingkat sparsitas diperlukan untuk menggunakan representasi fitur jarang. (Diperoleh dari TreeOptions)
TestFrequency	Hitung nilai metrik untuk latih/valid/uji setiap k putaran. (Diperoleh dari TreeOptions)