FastTreeRegressionTrainer.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 FastTreeRegressionTrainer digunakan dalam FastTree(Options).

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

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

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

Warisan

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

FastTreeRegressionTrainer.Options

Penerapan

IComponentFactory IComponentFactory<Microsoft.ML.ITrainer>

Konstruktor

FastTreeRegressionTrainer.Options()

Buat objek baru FastTreeRegressionTrainer.Options dengan nilai default.

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)
BestStepRankingRegressionTrees	Opsi untuk menggunakan pohon langkah regresi terbaik. (Diperoleh dari BoostedTreeOptions)
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 transposisi. (Diperoleh dari TreeOptions)
DropoutRate	Tingkat pengantaran untuk regularisasi pohon. (Diperoleh dari BoostedTreeOptions)
EnablePruning	Aktifkan pemangkasan pohon pasca-pelatihan untuk menghindari overfitting. Ini memerlukan set validasi. (Diperoleh dari BoostedTreeOptions)
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 akan digunakan untuk fitur. (Diperoleh dari TrainerInputBase)
FeatureFirstUsePenalty	Fitur ini pertama kali 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)
FilterZeroLambdas	Filter nol lambda selama pelatihan. (Diperoleh dari BoostedTreeOptions)
GainConfidenceLevel	Pencocokan pohon mendapatkan persyaratan keyakinan. Hanya pertimbangkan keuntungan jika kemungkinannya versus perolehan pilihan acak berada di atas nilai ini. (Diperoleh dari TreeOptions)
GetDerivativesSampleRate	Sampel setiap kueri 1 dalam k kali dalam fungsi GetDerivatives. (Diperoleh dari BoostedTreeOptions)
HistogramPoolSize	Jumlah histogram di kumpulan (antara 2 dan numLeaves). (Diperoleh dari TreeOptions)
LabelColumnName	Kolom yang akan digunakan untuk label. (Diperoleh dari TrainerInputBaseWithLabel)
LearningRate	Tingkat pembelajaran. (Diperoleh dari BoostedTreeOptions)
MaximumBinCountPerFeature	Jumlah maksimum nilai (bin) yang berbeda per fitur. (Diperoleh dari TreeOptions)
MaximumCategoricalGroupCountPerNode	Grup pemisahan kategoris maksimum yang perlu dipertimbangkan saat memisahkan fitur kategoris. Grup terpisah adalah kumpulan titik terpisah. Ini digunakan untuk mengurangi overfitting ketika ada banyak fitur kategoris. (Diperoleh dari TreeOptions)
MaximumCategoricalSplitPointCount	Poin pemisahan kategoris maksimum yang perlu dipertimbangkan saat memisahkan fitur kategoris. (Diperoleh dari TreeOptions)
MaximumNumberOfLineSearchSteps	Jumlah langkah pencarian baris pasca-kurung. (Diperoleh dari BoostedTreeOptions)
MaximumTreeOutput	Batas atas pada nilai absolut output pohon tunggal. (Diperoleh dari BoostedTreeOptions)
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 untuk dipertimbangkan untuk pemisahan. Defaultnya adalah 0,1% dari semua contoh pelatihan. (Diperoleh dari TreeOptions)
MinimumExamplesForCategoricalSplit	Jumlah contoh kategoris minimum dalam bin yang perlu dipertimbangkan untuk pemisahan. (Diperoleh dari TreeOptions)
MinimumStepSize	Ukuran langkah pencarian baris minimum. (Diperoleh dari BoostedTreeOptions)
NumberOfLeaves	Jumlah maksimum daun di setiap pohon regresi. (Diperoleh dari TreeOptions)
NumberOfThreads	Jumlah rangkaian yang akan digunakan. (Diperoleh dari TreeOptions)
NumberOfTrees	Jumlah total pohon keputusan yang akan dibuat dalam ansambel. (Diperoleh dari TreeOptions)
OptimizationAlgorithm	Algoritma pengoptimalan yang akan digunakan. (Diperoleh dari BoostedTreeOptions)
PruningThreshold	Ambang toleransi untuk pemangkasan. (Diperoleh dari BoostedTreeOptions)
PruningWindowSize	Ukuran jendela bergerak untuk pemangkasan. (Diperoleh dari BoostedTreeOptions)
RandomStart	Pelatihan dimulai dari pemesanan acak (ditentukan oleh /r1). (Diperoleh dari BoostedTreeOptions)
RowGroupColumnName	Kolom yang akan digunakan misalnya groupId. (Diperoleh dari TrainerInputBaseWithGroupId)
Seed	Benih generator angka acak. (Diperoleh dari TreeOptions)
Shrinkage	Penyusutan. (Diperoleh dari BoostedTreeOptions)
Smoothing	Menghaluskan parameter 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)
UseLineSearch	Menentukan apakah akan menggunakan pencarian baris untuk ukuran langkah. (Diperoleh dari BoostedTreeOptions)
UseTolerantPruning	Gunakan jendela dan toleransi untuk pemangkasan. (Diperoleh dari BoostedTreeOptions)
WriteLastEnsemble	Tulis ansambel terakhir alih-alih yang ditentukan oleh penghentian awal. (Diperoleh dari BoostedTreeOptions)

Properti

EarlyStoppingMetric	Metrik penghentian awal.
EarlyStoppingRule	Aturan penghentian awal yang digunakan untuk mengakhiri proses pelatihan setelah memenuhi kriteria tertentu. Pilihan yang mungkin adalah EarlyStoppingRuleBaseimplementasi seperti TolerantEarlyStoppingRule dan GeneralityLossRule. (Diperoleh dari BoostedTreeOptions)

Implementasi Antarmuka Eksplisit

IComponentFactory<ITrainer>.CreateComponent(IHostEnvironment)

Opsi untuk seperti yang FastTreeRegressionTrainer digunakan dalam FastTree(Options).