FastForestBinaryTrainer Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Element IEstimator<TTransformer> do trenowania modelu klasyfikacji binarnej drzewa decyzyjnego przy użyciu szybkiego lasu.
public sealed class FastForestBinaryTrainer : Microsoft.ML.Trainers.FastTree.RandomForestTrainerBase<Microsoft.ML.Trainers.FastTree.FastForestBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>,Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>type FastForestBinaryTrainer = class
inherit RandomForestTrainerBase<FastForestBinaryTrainer.Options, BinaryPredictionTransformer<FastForestBinaryModelParameters>, FastForestBinaryModelParameters>Public NotInheritable Class FastForestBinaryTrainer
Inherits RandomForestTrainerBase(Of FastForestBinaryTrainer.Options, BinaryPredictionTransformer(Of FastForestBinaryModelParameters), FastForestBinaryModelParameters)- Dziedziczenie
Uwagi
Aby utworzyć tego trenera, użyj opcji FastForest lub FastForest(Options).
Kolumny wejściowe i wyjściowe
Dane kolumny etykiety wejściowej muszą mieć wartość Boolean. Dane wejściowe funkcji kolumny muszą być znanym wektorem o rozmiarze Single.
Ten trener generuje następujące kolumny:
| Nazwa kolumny wyjściowej | Typ kolumny | Opis | |
|---|---|---|---|
Score |
Single | Niezwiązany wynik, który został obliczony przez model. | |
PredictedLabel |
Boolean | Przewidywana etykieta na podstawie znaku wyniku. Wynik ujemny mapuje na false wartości i wynik dodatni jest mapowy na true. |
|
Probability |
Single | Prawdopodobieństwo obliczone przez kalibrowanie wyniku wartości true jako etykiety. Wartość prawdopodobieństwa jest w zakresie [0, 1]. |
Cechy trenera
| Zadanie uczenia maszynowego | Klasyfikacja binarna |
| Czy normalizacja jest wymagana? | Nie |
| Czy buforowanie jest wymagane? | Nie |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Microsoft.ML.FastTree |
| Eksportowanie do pliku ONNX | Tak |
Szczegóły algorytmu trenowania
Drzewa decyzyjne to nieparatyczne modele, które wykonują sekwencję prostych testów na danych wejściowych. Ta procedura decyzyjna mapuje je na dane wyjściowe znalezione w zestawie danych treningowych, których dane wejściowe były podobne do przetwarzanych wystąpień. Decyzja jest podjęta w każdym węźle struktury danych drzewa binarnego na podstawie miary podobieństwa, która mapuje każde wystąpienie cyklicznie przez gałęzie drzewa do momentu osiągnięcia odpowiedniego węzła liścia i zwróconej decyzji wyjściowej.
Drzewa decyzyjne mają kilka zalet:
- Są one wydajne zarówno w obliczeniach, jak i w przypadku użycia pamięci podczas trenowania i przewidywania.
- Mogą one reprezentować nieliniowe granice decyzyjne.
- Wykonują one zintegrowane wybieranie i klasyfikację funkcji.
- Są odporne na obecność hałaśliwych funkcji.
Szybki las to losowa implementacja lasu. Model składa się z zespołu drzew decyzyjnych. Każde drzewo w lesie decyzyjnym generuje rozkład Gaussian w drodze przewidywania. Agregacja jest wykonywana przez zespół drzew w celu znalezienia rozkładu Gaussa najbliższego połączonemu rozkładowi dla wszystkich drzew w modelu. Ten klasyfikator lasu decyzyjnego składa się z zespołu drzew decyzyjnych.
Ogólnie rzecz biorąc, modele zespołów zapewniają lepsze pokrycie i dokładność niż pojedyncze drzewa decyzyjne. Każde drzewo w lesie decyzyjnym generuje rozkład Gaussian.
Aby uzyskać więcej informacji, zobacz:
Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.
Pola
| FeatureColumn |
Kolumna funkcji, której oczekuje trener. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Opcjonalna kolumna groupID oczekiwana przez trenerów klasyfikacji. (Odziedziczone po TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Kolumna etykiety, którą oczekuje trener. Może to być |
| WeightColumn |
Kolumna wagi, którą oczekuje trener. Może to być |
Właściwości
| Info |
Element IEstimator<TTransformer> do trenowania modelu klasyfikacji binarnej drzewa decyzyjnego przy użyciu szybkiego lasu. (Odziedziczone po FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Metody
| Fit(IDataView, IDataView) |
Trenuje FastForestBinaryTrainer przy użyciu zarówno danych treningowych, jak i weryfikacyjnych, zwraca wartość BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Element IEstimator<TTransformer> do trenowania modelu klasyfikacji binarnej drzewa decyzyjnego przy użyciu szybkiego lasu. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozszerzania
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Dołącz punkt kontrolny buforowania do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane względem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejmą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólną ITransformerwartość . Jednak w tym samym czasie IEstimator<TTransformer> często są tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania. |