LightGbmRankingModelParameters Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Trainers.LightGbm

Zestaw:

Microsoft.ML.LightGbm.dll

Pakiet:

Microsoft.ML.LightGbm v3.0.1

Parametry modelu dla .LightGbmRankingTrainer

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

type LightGbmRankingModelParameters = class
    inherit TreeEnsembleModelParametersBasedOnRegressionTree

Public NotInheritable Class LightGbmRankingModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree

Dziedziczenie

Object

ModelParametersBase<Single>

TreeEnsembleModelParameters

TreeEnsembleModelParametersBasedOnRegressionTree

LightGbmRankingModelParameters

Właściwości

TrainedTreeEnsemble

Zespół drzew narażonych na użytkowników. Jest to otoka na internalMicrosoft.ML.Trainers.FastTree.InternalTreeEnsemble in .TreeEnsemble<T> (Odziedziczone po TreeEnsembleModelParametersBasedOnRegressionTree)

Metody

GetFeatureWeights(VBuffer<Single>)

Uzyskaj skumulowane zyski podziału dla każdej funkcji we wszystkich drzewach. (Odziedziczone po TreeEnsembleModelParameters)

Jawne implementacje interfejsu

ICalculateFeatureContribution.FeatureContributionCalculator

Służy do określania udziału każdej funkcji w wyniku przykładu według .FeatureContributionCalculatingTransformer Obliczanie wkładu funkcji zasadniczo polega na określeniu, które podziały w drzewie mają największy wpływ na wynik końcowy i przypisanie wartości wpływu do cech określających podział. Dokładniej rzecz biorąc, udział funkcji jest równy zmianie wyniku generowanego przez eksplorowanie przeciwnego podzadania za każdym razem, gdy wystąpi węzeł decyzyjny dla danej funkcji. Rozważ prosty przypadek z pojedynczym drzewem decyzyjnym, który ma węzeł decyzyjny dla funkcji binarnej F1. Biorąc pod uwagę przykład, który ma funkcję F1 równą true, możemy obliczyć wynik uzyskany w przypadku wybrania poddrzewa odpowiadającego funkcji F1 równej fałszowi przy zachowaniu stałej innych funkcji. Wkład funkcji F1 dla danego przykładu jest różnicą między oryginalnym wynikiem a wynikiem uzyskanym przez podjęcie przeciwnej decyzji w węźle odpowiadającym funkcji F1. Ten algorytm naturalnie rozszerza modele z wieloma drzewami decyzyjnymi. (Odziedziczone po TreeEnsembleModelParameters)

ICanSaveModel.Save(ModelSaveContext)

Parametry modelu dla .LightGbmRankingTrainer (Odziedziczone po ModelParametersBase<TOutput>)