BoostedTreeOptions Classe

Definizione

Spazio dei nomi:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Pacchetto:

Microsoft.ML.FastTree v2.0.0

Opzioni per l'aumento delle prestazioni degli alberi.

public abstract class BoostedTreeOptions : Microsoft.ML.Trainers.FastTree.TreeOptions

type BoostedTreeOptions = class
    inherit TreeOptions

Public MustInherit Class BoostedTreeOptions
Inherits TreeOptions

Ereditarietà

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

Derivato

Microsoft.ML.Trainers.FastTree.FastTreeBinaryTrainer.Options

Microsoft.ML.Trainers.FastTree.FastTreeRankingTrainer.Options

Microsoft.ML.Trainers.FastTree.FastTreeRegressionTrainer.Options

Microsoft.ML.Trainers.FastTree.FastTreeTweedieTrainer.Options

Costruttori

BoostedTreeOptions()

Opzioni per l'aumento delle prestazioni degli alberi.

Campi

AllowEmptyTrees	Quando una suddivisione radice è impossibile, consentire al training di procedere. (Ereditato da TreeOptions)
BaggingExampleFraction	Percentuale di esempi di training usati in ogni contenitore. Il valore predefinito è 0,7 (70%). (Ereditato da TreeOptions)
BaggingSize	Numero di alberi in ogni borsa (0 per disabilitare il bagging). (Ereditato da TreeOptions)
BestStepRankingRegressionTrees	Opzione per l'uso dei migliori alberi dei passaggi di regressione.
Bias	Distorsione per il calcolo della sfumatura per ogni contenitore di funzionalità per una funzionalità categorica. (Ereditato da TreeOptions)
Bundling	Aggregare contenitori a bassa popolazione. Bundle.None(0): nessun bundle, Bundle.AggregateLowPopulation(1): popolamento basso bundle, Bundle.Adjacent(2): bundle a basso popolamento adiacente. (Ereditato da TreeOptions)
CategoricalSplit	Se eseguire la suddivisione in base a più valori di funzionalità categorica. (Ereditato da TreeOptions)
CompressEnsemble	Comprimere l'ensemble dell'albero. (Ereditato da TreeOptions)
DiskTranspose	Indica se utilizzare il disco o le strutture native del ripristino dei dati (ove applicabile) durante l'esecuzione della trasposizione. (Ereditato da TreeOptions)
DropoutRate	Frequenza di rilascio per la regolarizzazione dell'albero.
EnablePruning	Abilitare l'eliminazione post-training dell'albero per evitare l'overfitting. Richiede un set di convalida.
EntropyCoefficient	Coefficiente di entropia (regolarizzazione) compreso tra 0 e 1. (Ereditato da TreeOptions)
ExampleWeightColumnName	Colonna da utilizzare per esempio peso. (Ereditato da TrainerInputBaseWithWeight)
ExecutionTime	Stampa la suddivisione del tempo di esecuzione nel canale ML.NET. (Ereditato da TreeOptions)
FeatureColumnName	Colonna da usare per le funzionalità. (Ereditato da TrainerInputBase)
FeatureFirstUsePenalty	Coefficiente di penalità per il primo utilizzo della funzionalità. (Ereditato da TreeOptions)
FeatureFlocks	Indica se raccogliere le funzionalità durante la preparazione del set di dati per velocizzare il training. (Ereditato da TreeOptions)
FeatureFraction	Frazione delle caratteristiche (scelta in modo casuale) da usare in ogni iterazione. Usare 0,9 se è necessario solo il 90% delle funzionalità. I numeri inferiori consentono di ridurre l'overfitting. (Ereditato da TreeOptions)
FeatureFractionPerSplit	Frazione delle caratteristiche (scelta in modo casuale) da usare in ogni divisione. Se si tratta di un valore pari a 0,9, il 90% di tutte le funzionalità verrà eliminato in previsione. (Ereditato da TreeOptions)
FeatureReusePenalty	Coefficiente di penalità (regolarizzazione) della funzionalità. (Ereditato da TreeOptions)
FeatureSelectionSeed	Valore di inizializzazione della selezione della caratteristica attiva. (Ereditato da TreeOptions)
FilterZeroLambdas	Filtrare zero espressioni lambda durante il training.
GainConfidenceLevel	L'adattamento ad albero ottiene un requisito di attendibilità. Si consideri solo un guadagno se la probabilità rispetto a un guadagno di scelta casuale è superiore a questo valore. (Ereditato da TreeOptions)
GetDerivativesSampleRate	Campiona ogni query 1 in k volte nella funzione GetDerivatives.
HistogramPoolSize	Numero di istogrammi nel pool (tra 2 e numLeaves). (Ereditato da TreeOptions)
LabelColumnName	Colonna da usare per le etichette. (Ereditato da TrainerInputBaseWithLabel)
LearningRate	Frequenza di apprendimento.
MaximumBinCountPerFeature	Numero massimo di valori distinti (bin) per funzionalità. (Ereditato da TreeOptions)
MaximumCategoricalGroupCountPerNode	Numero massimo di gruppi di suddivisione categorica da considerare durante la suddivisione in una funzionalità categorica. I gruppi suddivisi sono una raccolta di punti di divisione. Questo viene usato per ridurre l'overfitting quando sono presenti molte funzionalità categorica. (Ereditato da TreeOptions)
MaximumCategoricalSplitPointCount	Numero massimo di punti di divisione categorici da considerare durante la suddivisione in una funzionalità categorica. (Ereditato da TreeOptions)
MaximumNumberOfLineSearchSteps	Numero di passaggi di ricerca post-parentesi quadre.
MaximumTreeOutput	Limite superiore sul valore assoluto dell'output di un singolo albero.
MemoryStatistics	Stampare le statistiche di memoria in ML.NET canale. (Ereditato da TreeOptions)
MinimumExampleCountPerLeaf	Numero minimo di punti dati necessari per formare una nuova foglia dell'albero. (Ereditato da TreeOptions)
MinimumExampleFractionForCategoricalSplit	Percentuale di esempio categorica minima in un bin da considerare per una divisione. Il valore predefinito è 0,1% di tutti gli esempi di training. (Ereditato da TreeOptions)
MinimumExamplesForCategoricalSplit	Numero minimo di esempi categorici in un bin da considerare per una divisione. (Ereditato da TreeOptions)
MinimumStepSize	Dimensioni minime dei passaggi di ricerca della riga.
NumberOfLeaves	Numero massimo di foglie in ogni albero di regressione. (Ereditato da TreeOptions)
NumberOfThreads	Numero di thread da usare. (Ereditato da TreeOptions)
NumberOfTrees	Numero totale di alberi delle decisioni da creare nell'ensemble. (Ereditato da TreeOptions)
OptimizationAlgorithm	Algoritmo di ottimizzazione da usare.
PruningThreshold	Soglia di tolleranza per l'eliminazione.
PruningWindowSize	Dimensioni della finestra mobile per l'eliminazione.
RandomStart	Il training inizia dall'ordinamento casuale (determinato da /r1).
RowGroupColumnName	Colonna da utilizzare per l'esempio groupId. (Ereditato da TrainerInputBaseWithGroupId)
Seed	Valore di inizializzazione del generatore di numeri casuali. (Ereditato da TreeOptions)
Shrinkage	Restringimento.
Smoothing	Parametro smoothing per la regolarizzazione dell'albero. (Ereditato da TreeOptions)
SoftmaxTemperature	Temperatura della distribuzione softmax casuale per la scelta della funzionalità. (Ereditato da TreeOptions)
SparsifyThreshold	Livello di spaziatura necessario per usare la rappresentazione di funzionalità di tipo sparse. (Ereditato da TreeOptions)
TestFrequency	Calcolare i valori delle metriche per training/valid/test ogni k round. (Ereditato da TreeOptions)
UseLineSearch	Determina se utilizzare la ricerca di una riga per le dimensioni di un passaggio.
UseTolerantPruning	Usare la finestra e la tolleranza per l'eliminazione.
WriteLastEnsemble	Scrivere l'ultimo ensemble anziché quello determinato dall'arresto anticipato.

Proprietà

EarlyStoppingRule

Regola di arresto anticipato usata per terminare il processo di training una volta che soddisfa un criterio specificato. Le possibili scelte sono EarlyStoppingRuleBaseimplementazioni di , ad TolerantEarlyStoppingRule esempio e GeneralityLossRule.