TreeOptions Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers.FastTree

Rakitan:

Microsoft.ML.FastTree.dll

Paket:

Microsoft.ML.FastTree v3.0.1

Opsi untuk pelatih pohon.

public abstract class TreeOptions : Microsoft.ML.Trainers.TrainerInputBaseWithGroupId

type TreeOptions = class
    inherit TrainerInputBaseWithGroupId

Public MustInherit Class TreeOptions
Inherits TrainerInputBaseWithGroupId

Warisan

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

Turunan

Microsoft.ML.Trainers.FastTree.BoostedTreeOptions

Microsoft.ML.Trainers.FastTree.FastForestOptionsBase

Konstruktor

TreeOptions()

Opsi untuk pelatih pohon.

Bidang

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