LightGbmRegressionTrainer 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.
IEstimator<TTransformer> untuk melatih model regresi pohon keputusan yang ditingkatkan menggunakan LightGBM.
public sealed class LightGbmRegressionTrainer : Microsoft.ML.Trainers.LightGbm.LightGbmTrainerBase<Microsoft.ML.Trainers.LightGbm.LightGbmRegressionTrainer.Options,float,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.LightGbm.LightGbmRegressionModelParameters>,Microsoft.ML.Trainers.LightGbm.LightGbmRegressionModelParameters>type LightGbmRegressionTrainer = class
inherit LightGbmTrainerBase<LightGbmRegressionTrainer.Options, single, RegressionPredictionTransformer<LightGbmRegressionModelParameters>, LightGbmRegressionModelParameters>Public NotInheritable Class LightGbmRegressionTrainer
Inherits LightGbmTrainerBase(Of LightGbmRegressionTrainer.Options, Single, RegressionPredictionTransformer(Of LightGbmRegressionModelParameters), LightGbmRegressionModelParameters)- Warisan
Keterangan
Untuk membuat pelatih ini, gunakan LightGbm atau LightGbm(Options).
Kolom Input dan Output
Data kolom label input harus berupa Single. Data kolom fitur input harus merupakan vektor berukuran dikenal dari Single.
Pelatih ini menghasilkan kolom berikut:
| Nama Kolom Output | Tipe Kolom | Description |
|---|---|---|
Score |
Single | Skor tidak terbatas yang diprediksi oleh model. |
Karakteristik Pelatih
| Tugas pembelajaran mesin | Regression |
| Apakah normalisasi diperlukan? | Tidak |
| Apakah penembolokan diperlukan? | Tidak |
| NuGet yang diperlukan selain Microsoft.ML | Microsoft.ML.LightGbm |
| Dapat diekspor ke ONNX | Ya |
Detail Algoritma Pelatihan
LightGBM adalah implementasi sumber terbuka dari pohon keputusan peningkatan gradien. Untuk detail implementasi, silakan lihat dokumentasi resmi LightGBM atau makalah ini.
Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.
Bidang
| Nama | Deskripsi |
|---|---|
| FeatureColumn |
Kolom fitur yang diharapkan pelatih. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Kolom groupID opsional yang diharapkan pelatih peringkat. (Diperoleh dari TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Kolom label yang diharapkan pelatih. Dapat berupa |
| WeightColumn |
Kolom berat yang diharapkan pelatih. Dapat berupa |
Properti
| Nama | Deskripsi |
|---|---|
| Info |
IEstimator<TTransformer> untuk melatih model regresi pohon keputusan yang ditingkatkan menggunakan LightGBM. (Diperoleh dari LightGbmTrainerBase<TOptions,TOutput,TTransformer,TModel>) |
Metode
| Nama | Deskripsi |
|---|---|
| Fit(IDataView, IDataView) |
LightGbmRegressionTrainer Melatih menggunakan data pelatihan dan validasi, mengembalikan RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Melatih dan mengembalikan ITransformer. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> untuk melatih model regresi pohon keputusan yang ditingkatkan menggunakan LightGBM. (Diperoleh dari TrainerEstimatorBase<TTransformer,TModel>) |
Metode Ekstensi
| Nama | Deskripsi |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data lolos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang di ketik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> tempat estimator yang ingin kita dapatkan transformator dikubur di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah cocok dipanggil. |