FastTreeRankingTrainer.Options Класс

Определение

Пространство имен:

Microsoft.ML.Trainers.FastTree

Сборка:

Microsoft.ML.FastTree.dll

Пакет:

Microsoft.ML.FastTree v2.0.0

Параметры для , FastTreeRankingTrainer используемые в FastTree(Options).

public sealed class FastTreeRankingTrainer.Options : Microsoft.ML.Trainers.FastTree.BoostedTreeOptions, Microsoft.ML.Runtime.IComponentFactory<Microsoft.ML.ITrainer>

type FastTreeRankingTrainer.Options = class
    inherit BoostedTreeOptions
    interface IComponentFactory<ITrainer>
    interface IComponentFactory

Public NotInheritable Class FastTreeRankingTrainer.Options
Inherits BoostedTreeOptions
Implements IComponentFactory(Of ITrainer)

Наследование

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

FastTreeRankingTrainer.Options

Реализации

IComponentFactory IComponentFactory<Microsoft.ML.ITrainer>

Конструкторы

FastTreeRankingTrainer.Options()

Создайте новый FastTreeRankingTrainer.Options объект со значениями по умолчанию.

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 мешков). (Унаследовано от TreeOptions)
BestStepRankingRegressionTrees	Параметр для использования деревьев шагов наилучшей регрессии. (Унаследовано от BoostedTreeOptions)
Bias	Смещение для вычисления градиента для каждой ячейки признаков для категориального признака. (Унаследовано от TreeOptions)
Bundling	Упаковывая ячейки с низким заполнением. Bundle.None(0): без объединения, Bundle.AggregateLowPopulation(1): низкая заполненность пакета, Bundle.Adjacent(2): соседняя группа с низким заполнением. (Унаследовано от TreeOptions)
CategoricalSplit	Следует ли выполнять разделение на основе нескольких категориальных значений признаков. (Унаследовано от TreeOptions)
CompressEnsemble	Сожмите древовидную ансамбля. (Унаследовано от TreeOptions)
CustomGains	Разделенный запятыми список преимуществ, связанных с каждой меткой релевантности.
DiskTranspose	Следует ли использовать диск или собственные средства транспозиции данных (если применимо) при выполнении транспонирования. (Унаследовано от TreeOptions)
DropoutRate	Коэффициент отсева для регуляризации деревьев. (Унаследовано от BoostedTreeOptions)
EnablePruning	Включите обрезку дерева после обучения, чтобы избежать переобучения. Для этого требуется проверочный набор. (Унаследовано от BoostedTreeOptions)
EntropyCoefficient	Коэффициент энтропии (регуляризация) в диапазоне от 0 до 1. (Унаследовано от TreeOptions)
ExampleWeightColumnName	Столбец, используемый в качестве примера веса. (Унаследовано от TrainerInputBaseWithWeight)
ExecutionTime	Разбивка времени выполнения печати в ML.NET канале. (Унаследовано от TreeOptions)
FeatureColumnName	Столбец, используемый для функций. (Унаследовано от TrainerInputBase)
FeatureFirstUsePenalty	Признак, который первым использует штрафной коэффициент. (Унаследовано от TreeOptions)
FeatureFlocks	Указывает, следует ли собирать признаки во время подготовки набора данных, чтобы ускорить обучение. (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 в ожидании. (Унаследовано от TreeOptions)
FeatureReusePenalty	Коэффициент повторного использования штрафа (регуляризации) функции. (Унаследовано от TreeOptions)
FeatureSelectionSeed	Начальное значение выбора активного компонента. (Унаследовано от TreeOptions)
FilterZeroLambdas	Фильтрация нулевых лямбда-выражений во время обучения. (Унаследовано от BoostedTreeOptions)
GainConfidenceLevel	Установка дерева требует уверенности. Учитывайте выигрыш, только если его вероятность по сравнению со случайным выигрышем превышает это значение. (Унаследовано от TreeOptions)
GetDerivativesSampleRate	Выборка каждого запроса 1 в k раз в функции GetDerivatives. (Унаследовано от BoostedTreeOptions)
HistogramPoolSize	Количество гистограмм в пуле (от 2 до numLeaves). (Унаследовано от TreeOptions)
LabelColumnName	Столбец, используемый для меток. (Унаследовано от TrainerInputBaseWithLabel)
LearningRate	Скорость обучения. (Унаследовано от BoostedTreeOptions)
MaximumBinCountPerFeature	Максимальное число уникальных значений (интервалов) на признак. (Унаследовано от TreeOptions)
MaximumCategoricalGroupCountPerNode	Максимальное число категориальных групп разделения, которые следует учитывать при разделении по категориальным признаку. Разделенные группы — это коллекция точек разбиения. Это используется для уменьшения переобучений при наличии большого количества категориальных признаков. (Унаследовано от TreeOptions)
MaximumCategoricalSplitPointCount	Максимальное количество категориальных точек разделения, которые следует учитывать при разделении по категориальной признаку. (Унаследовано от TreeOptions)
MaximumNumberOfLineSearchSteps	Количество шагов поиска строки после скобки. (Унаследовано от BoostedTreeOptions)
MaximumTreeOutput	Верхняя граница для абсолютного значения выходных данных одного дерева. (Унаследовано от BoostedTreeOptions)
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 составляет 0,1 % от всех примеров обучения. (Унаследовано от TreeOptions)
MinimumExamplesForCategoricalSplit	Минимальное число категориальных примеров в ячейке для разделения. (Унаследовано от TreeOptions)
MinimumStepSize	Минимальный размер шага поиска строк. (Унаследовано от BoostedTreeOptions)
NdcgTruncationLevel	Максимальное усечение NDCG, используемое в алгоритме ЛямбдаМАР.
NumberOfLeaves	Максимальное количество листьев в каждом дереве регрессии. (Унаследовано от TreeOptions)
NumberOfThreads	Количество потоков для использования. (Унаследовано от TreeOptions)
NumberOfTrees	Общее количество деревьев принятия решений, создаваемых в ансамбле. (Унаследовано от TreeOptions)
OptimizationAlgorithm	Используемый алгоритм оптимизации. (Унаследовано от BoostedTreeOptions)
PruningThreshold	Пороговое значение допуска для обрезки. (Унаследовано от BoostedTreeOptions)
PruningWindowSize	Размер перемещаемого окна для обрезки. (Унаследовано от BoostedTreeOptions)
RandomStart	Обучение начинается со случайного упорядочения (определяется параметром /r1). (Унаследовано от BoostedTreeOptions)
RowGroupColumnName	Столбец для использования, например groupId. (Унаследовано от TrainerInputBaseWithGroupId)
Seed	Начальное значение генератора случайных чисел. (Унаследовано от TreeOptions)
Shrinkage	Усадки. (Унаследовано от BoostedTreeOptions)
Smoothing	Параметр smoothing для регуляризации дерева. (Унаследовано от TreeOptions)
SoftmaxTemperature	Температура случайного распределения softmax для выбора функции. (Унаследовано от TreeOptions)
SparsifyThreshold	Уровень разреженности, необходимый для использования разреженного представления признаков. (Унаследовано от TreeOptions)
TestFrequency	Вычислите значения метрик для обучения, допустимости и тестирования каждые k раундов. (Унаследовано от TreeOptions)
UseDcg	Следует ли обучаться с использованием дисконтированного совокупного прироста (DCG) вместо нормализованного DCG (NDCG).
UseLineSearch	Определяет, следует ли использовать поиск по строкам для размера шага. (Унаследовано от BoostedTreeOptions)
UseTolerantPruning	Используйте окно и допустимое значение для обрезки. (Унаследовано от BoostedTreeOptions)
WriteLastEnsemble	Напишите последний ансамбль вместо того, который определяется ранней остановкой. (Унаследовано от BoostedTreeOptions)

Свойства

EarlyStoppingMetric	Метрики ранней остановки.
EarlyStoppingRule	Правило ранней остановки, используемое для завершения процесса обучения после выполнения указанного критерия. Возможные варианты реализации, EarlyStoppingRuleBaseтакие как TolerantEarlyStoppingRule и GeneralityLossRule. (Унаследовано от BoostedTreeOptions)

Явные реализации интерфейса

IComponentFactory<ITrainer>.CreateComponent(IHostEnvironment)

Параметры для , FastTreeRankingTrainer используемые в FastTree(Options).