FastForestRegressionTrainer 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 regresji drzewa decyzyjnego przy użyciu szybkiego lasu.
public sealed class FastForestRegressionTrainer : Microsoft.ML.Trainers.FastTree.RandomForestTrainerBase<Microsoft.ML.Trainers.FastTree.FastForestRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastForestRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.FastForestRegressionModelParameters>type FastForestRegressionTrainer = class
inherit RandomForestTrainerBase<FastForestRegressionTrainer.Options, RegressionPredictionTransformer<FastForestRegressionModelParameters>, FastForestRegressionModelParameters>Public NotInheritable Class FastForestRegressionTrainer
Inherits RandomForestTrainerBase(Of FastForestRegressionTrainer.Options, RegressionPredictionTransformer(Of FastForestRegressionModelParameters), FastForestRegressionModelParameters)- Dziedziczenie
Uwagi
Aby utworzyć ten trener, użyj opcji FastForest lub FastForest(Options).
Kolumny wejściowe i wyjściowe
Dane kolumny etykiety wejściowej muszą mieć wartość Single. Dane kolumn danych wejściowych muszą być znanym wektorem o rozmiarze Single.
Ten trener wyprowadza następujące kolumny:
| Nazwa kolumny wyjściowej | Typ kolumny | Opis |
|---|---|---|
Score |
Single | Niezawiązany wynik, który został przewidywany przez model. |
Cechy trenera
| Zadanie uczenia maszynowego | Regresja |
| Czy normalizacja jest wymagana? | Nie |
| Czy buforowanie jest wymagane? | Nie |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Microsoft.ML.FastTree |
| Możliwość eksportowania do ONNX | Tak |
Szczegóły algorytmu trenowania
Drzewa decyzyjne to modele nieparametryczne, 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 rekursywnie 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 pamięci podczas trenowania i przewidywania.
- Mogą one reprezentować nieliniowe granice decyzyjne.
- Wykonują one zintegrowane wybieranie i klasyfikację funkcji.
- Są odporne na błędy w obecności hałaśliwych funkcji.
Szybki las to implementacja lasu losowego. Model składa się z zestawu drzew decyzyjnych. Każde drzewo w lesie decyzyjnym generuje rozkład gaussowski na podstawie przewidywania. Agregacja jest wykonywana na zestawie drzew w celu znalezienia rozkładu Gaussańskiego znajdującego się najbliżej połączonego rozkładu dla wszystkich drzew w modelu. Ten klasyfikator lasu decyzyjnego składa się z zespołu drzew decyzyjnych.
Ogólnie rzecz biorąc, modele grupowe zapewniają lepsze pokrycie i dokładność niż pojedyncze drzewa decyzyjne. Każde drzewo w lesie decyzyjnym generuje rozkład gaussański.
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 oczekiwana przez trenera. Może to być |
| WeightColumn |
Kolumna wagi oczekiwana przez trenera. Może to być |
Właściwości
| Info |
Element IEstimator<TTransformer> do trenowania modelu regresji drzewa decyzyjnego przy użyciu szybkiego lasu. (Odziedziczone po FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Metody
| Fit(IDataView) |
Trenuje i zwraca wartość ITransformer. (Odziedziczone po TrainerEstimatorBase<TTransformer,TModel>) |
| Fit(IDataView, IDataView) |
Trenuje FastForestRegressionTrainer przy użyciu zarówno danych trenowania, jak i walidacji, zwraca wartość RegressionPredictionTransformer<TModel>. |
| GetOutputSchema(SchemaShape) |
Element IEstimator<TTransformer> do trenowania modelu regresji 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 pod kątem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który będzie wywoływać 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 ogólny ITransformerelement . Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania, za pośrednictwem EstimatorChain<TLastTransformer> którego 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. |
Dotyczy
Zobacz też
Opinia
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź: https://aka.ms/ContentUserFeedback.
Prześlij i wyświetl opinię dla