Поделиться через


FastForestBinaryTrainer.Options Класс

Определение

Параметры для , FastForestBinaryTrainer используемые в FastForest(Options).

public sealed class FastForestBinaryTrainer.Options : Microsoft.ML.Trainers.FastTree.FastForestOptionsBase
type FastForestBinaryTrainer.Options = class
    inherit FastForestOptionsBase
Public NotInheritable Class FastForestBinaryTrainer.Options
Inherits FastForestOptionsBase
Наследование

Конструкторы

FastForestBinaryTrainer.Options()

Параметры для , FastForestBinaryTrainer используемые в FastForest(Options).

Поля

AllowEmptyTrees

Если корневое разделение невозможно, разрешите продолжить обучение.

(Унаследовано от TreeOptions)
BaggingExampleFraction

Процент примеров обучения, используемых в каждой сумке. Значение по умолчанию — 0,7 (70 %).

(Унаследовано от TreeOptions)
BaggingSize

Количество деревьев в каждой сумке (0 для отключения мешка).

(Унаследовано от TreeOptions)
Bias

Смещение для вычисления градиента для каждой ячейки признаков для категориального признака.

(Унаследовано от TreeOptions)
Bundling

Объединять ячейки с низкой численностью населения. Bundle.None(0): без объединения, Bundle.AggregateLowPopulation(1): низкая заполненность пакета, Bundle.Adjacent(2): набор с низким заполнением соседей.

(Унаследовано от TreeOptions)
CategoricalSplit

Следует ли выполнять разделение на основе нескольких категориальных значений признаков.

(Унаследовано от TreeOptions)
CompressEnsemble

Сожмите дерево Ensemble.

(Унаследовано от TreeOptions)
DiskTranspose

Следует ли использовать диск или собственные средства транспозиции данных (если это применимо) при выполнении транспонирования.

(Унаследовано от TreeOptions)
EntropyCoefficient

Коэффициент энтропии (регуляризации) от 0 до 1.

(Унаследовано от TreeOptions)
ExampleWeightColumnName

Столбец, используемый для примера веса.

(Унаследовано от TrainerInputBaseWithWeight)
ExecutionTime

Разбивка времени выполнения на печать в канале ML.NET.

(Унаследовано от TreeOptions)
FeatureColumnName

Столбец, используемый для функций.

(Унаследовано от TrainerInputBase)
FeatureFirstUsePenalty

Признак, который первым использует штрафной коэффициент.

(Унаследовано от TreeOptions)
FeatureFlocks

Следует ли выполнять коллективизацию признаков во время подготовки набора данных для ускорения обучения.

(Унаследовано от TreeOptions)
FeatureFraction

Доля признаков (выбранных случайным образом) для использования в каждой итерации. Используйте 0,9, если требуется только 90 % функций. Более низкие числа помогают уменьшить чрезмерное количество привязок.

(Унаследовано от TreeOptions)
FeatureFractionPerSplit

Доля признаков (выбранных случайным образом) для каждого разбиения. Если значение равно 0,9, 90 % всех функций будет отброшено бы в ожидании.

(Унаследовано от TreeOptions)
FeatureReusePenalty

Коэффициент повторного использования штрафа (регуляризации).

(Унаследовано от TreeOptions)
FeatureSelectionSeed

Начальное значение выбора активного компонента.

(Унаследовано от TreeOptions)
GainConfidenceLevel

Требование к достоверности при установке деревьев. Учитывайте увеличение только в том случае, если его вероятность и случайный выигрыш при выборе выше этого значения.

(Унаследовано от TreeOptions)
HistogramPoolSize

Количество гистограмм в пуле (от 2 до numLeaves).

(Унаследовано от TreeOptions)
LabelColumnName

Столбец, используемый для меток.

(Унаследовано от TrainerInputBaseWithLabel)
MaximumBinCountPerFeature

Максимальное число уникальных значений (интервалов) на признак.

(Унаследовано от TreeOptions)
MaximumCategoricalGroupCountPerNode

Максимальное количество категориальных групп разбиения, которые следует учитывать при разделении по категориальным признакам. Разделенные группы — это коллекция точек разбиения. Это используется для уменьшения переобучений при наличии большого количества категориальных признаков.

(Унаследовано от TreeOptions)
MaximumCategoricalSplitPointCount

Максимальное количество точек разделения категорий, которые следует учитывать при разделении по категориальным признакам.

(Унаследовано от TreeOptions)
MaximumOutputMagnitudePerTree

Верхняя граница абсолютного значения выходных данных одного дерева.

MemoryStatistics

Вывод статистики памяти в канал ML.NET.

(Унаследовано от TreeOptions)
MinimumExampleCountPerLeaf

Минимальное количество точек данных, необходимых для формирования нового листа дерева.

(Унаследовано от TreeOptions)
MinimumExampleFractionForCategoricalSplit

Минимальный процент категориального примера в ячейке, который следует учитывать для разделения. Значение по умолчанию — 0,1 % от всех примеров обучения.

(Унаследовано от TreeOptions)
MinimumExamplesForCategoricalSplit

Минимальное категориальное число примеров в ячейке, учитываемой для разделения.

(Унаследовано от TreeOptions)
NumberOfLeaves

Максимальное количество листьев в каждом дереве регрессии.

(Унаследовано от TreeOptions)
NumberOfQuantileSamples

Количество точек данных для выборки из каждого конечного элемента для поиска распределения меток.

(Унаследовано от FastForestOptionsBase)
NumberOfThreads

Количество потоков для использования.

(Унаследовано от TreeOptions)
NumberOfTrees

Общее количество деревьев принятия решений, создаваемых в ансамбле.

(Унаследовано от TreeOptions)
RowGroupColumnName

Столбец для использования, например groupId.

(Унаследовано от TrainerInputBaseWithGroupId)
Seed

Начальное значение генератора случайных чисел.

(Унаследовано от TreeOptions)
Smoothing

Параметр Smoothing для регуляризации дерева.

(Унаследовано от TreeOptions)
SoftmaxTemperature

Температура случайного распределения softmax для выбора признака.

(Унаследовано от TreeOptions)
SparsifyThreshold

Уровень разреженности, необходимый для использования разреженного представления признаков.

(Унаследовано от TreeOptions)
TestFrequency

Вычислите значения метрик для обучения, допустимости и проверки каждого k раундов.

(Унаследовано от TreeOptions)

Применяется к