LightGbmRegressionModelParameters Kelas

Definisi

Ruang nama:

Microsoft.ML.Trainers.LightGbm

Rakitan:

Microsoft.ML.LightGbm.dll

Paket:

Microsoft.ML.LightGbm v5.0.0-preview.1.25125.4

Sumber:

LightGbmRegressionTrainer.cs

Parameter model untuk LightGbmRegressionTrainer.

public sealed class LightGbmRegressionModelParameters : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTree

type LightGbmRegressionModelParameters = class
    inherit TreeEnsembleModelParametersBasedOnRegressionTree

Public NotInheritable Class LightGbmRegressionModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree

Warisan

Object

ModelParametersBase<Single>

TreeEnsembleModelParameters

TreeEnsembleModelParametersBasedOnRegressionTree

LightGbmRegressionModelParameters

Properti

Nama	Deskripsi
TrainedTreeEnsemble	Ansambel pohon yang terekspos ke pengguna. Ini adalah pembungkus di internalMicrosoft.ML.Trainers.FastTree.InternalTreeEnsemble dalam TreeEnsemble<T>. (Diperoleh dari TreeEnsembleModelParametersBasedOnRegressionTree)

Metode

Nama	Deskripsi
GetFeatureWeights(VBuffer<Single>)	Dapatkan keuntungan pemisahan kumulatif untuk setiap fitur di semua pohon. (Diperoleh dari TreeEnsembleModelParameters)

Implementasi Antarmuka Eksplisit

Nama	Deskripsi
ICalculateFeatureContribution.FeatureContributionCalculator	Digunakan untuk menentukan kontribusi setiap fitur ke skor contoh dengan FeatureContributionCalculatingTransformer. Perhitungan kontribusi fitur pada dasarnya terdiri dari menentukan pemisahan mana di pohon yang paling berdampak pada skor akhir dan menetapkan nilai dampak terhadap fitur yang menentukan pemisahan. Lebih tepatnya, kontribusi fitur sama dengan perubahan skor yang dihasilkan dengan menjelajahi sub-pohon yang berlawanan setiap kali simpul keputusan untuk fitur tertentu ditemui. Pertimbangkan kasus sederhana dengan satu pohon keputusan yang memiliki simpul keputusan untuk fitur biner F1. Mengingat contoh yang memiliki fitur F1 sama dengan true, kita dapat menghitung skor yang akan diperolehnya jika kita memilih subtree yang sesuai dengan fitur F1 yang sama dengan false sambil menjaga fitur lain tetap konstan. Kontribusi fitur F1 untuk contoh yang diberikan adalah perbedaan antara skor asli dan skor yang diperoleh dengan mengambil keputusan yang berlawanan pada node yang sesuai dengan fitur F1. Algoritma ini meluas secara alami ke model dengan banyak pohon keputusan. (Diperoleh dari TreeEnsembleModelParameters)
ICanSaveModel.Save(ModelSaveContext)	Parameter model untuk LightGbmRegressionTrainer. (Diperoleh dari ModelParametersBase<TOutput>)