TreeOptions 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.
Opsi untuk pelatih pohon.
public abstract class TreeOptions : Microsoft.ML.Trainers.TrainerInputBaseWithGroupId
type TreeOptions = class
inherit TrainerInputBaseWithGroupId
Public MustInherit Class TreeOptions
Inherits TrainerInputBaseWithGroupId
- Warisan
- Turunan
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. |