FastTreeTweedieTrainer.Options Класс

Определение

Пространство имен:

Microsoft.ML.Trainers.FastTree

Сборка:

Microsoft.ML.FastTree.dll

Пакет:

Microsoft.ML.FastTree v2.0.0

Параметры для , FastTreeTweedieTrainer используемые в FastTreeTweedie(Options).

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

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

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

Наследование

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

FastTreeTweedieTrainer.Options

Реализации

IComponentFactory IComponentFactory<Microsoft.ML.ITrainer>

Конструкторы

FastTreeTweedieTrainer.Options()

Создайте объект FastTreeTweedieTrainer.Options 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 мешка). (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	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)
DropoutRate	Коэффициент отспада для регуляризации дерева. (Унаследовано от BoostedTreeOptions)
EnablePruning	Включите обрезку дерева после обучения, чтобы избежать переобучения. Для этого требуется проверочный набор. (Унаследовано от BoostedTreeOptions)
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)
FilterZeroLambdas	Фильтрация нулевых лямбда-выражений во время обучения. (Унаследовано от BoostedTreeOptions)
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)
GetDerivativesSampleRate	Выборка каждого запроса 1 в k в функции GetDerivatives. (Унаследовано от BoostedTreeOptions)
HistogramPoolSize	Количество гистограмм в пуле (от 2 до numLeaves). (Унаследовано от TreeOptions)
Index	Параметр индекса для распределения Tweedie в диапазоне [1, 2]. 1 — это потеря Пуассона, 2 — гамма-потеря, а промежуточные значения — составные потери Пуассона.
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 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)
MaximumNumberOfLineSearchSteps	Количество шагов поиска строки после скобки. (Унаследовано от BoostedTreeOptions)
MaximumTreeOutput	Верхняя граница абсолютного значения выходных данных с одним деревом. (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 — 0,1 % от всех примеров обучения. (Унаследовано от TreeOptions)
MinimumExamplesForCategoricalSplit	Минимальное категориальное число примеров в ячейке, учитываемой для разделения. (Унаследовано от TreeOptions)
MinimumStepSize	Минимальный размер шага поиска строк. (Унаследовано от BoostedTreeOptions)
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 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)
UseLineSearch	Определяет, следует ли использовать поиск строк для размера шага. (Унаследовано от BoostedTreeOptions)
UseTolerantPruning	Используйте окно и погрешность для обрезки. (Унаследовано от BoostedTreeOptions)
WriteLastEnsemble	Напишите последний ансамбль вместо того, который определяется ранней остановкой. (Унаследовано от BoostedTreeOptions)

Свойства

EarlyStoppingMetric	Ранние метрики 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 , FastTreeTweedieTrainer используемые в FastTreeTweedie(Options).