Поделиться через


FastTreeRankingTrainer.Options Класс

Определение

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
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).

Применяется к