TreeOptions Класс

Определение

Пространство имен:

Microsoft.ML.Trainers.FastTree

Сборка:

Microsoft.ML.FastTree.dll

Пакет:

Microsoft.ML.FastTree v3.0.1

Параметры для древовидного обучения.

public abstract class TreeOptions : Microsoft.ML.Trainers.TrainerInputBaseWithGroupId

type TreeOptions = class
    inherit TrainerInputBaseWithGroupId

Public MustInherit Class TreeOptions
Inherits TrainerInputBaseWithGroupId

Наследование

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

Производный

Microsoft.ML.Trainers.FastTree.BoostedTreeOptions

Microsoft.ML.Trainers.FastTree.FastForestOptionsBase

Конструкторы

TreeOptions()

Параметры для древовидного обучения.

Поля

AllowEmptyTrees	Если корневое разделение невозможно, разрешите продолжить обучение.
BaggingExampleFraction	Процент примеров обучения, используемых в каждой сумке. Значение по умолчанию — 0,7 (70 %).
BaggingSize	Количество деревьев в каждой сумке (0 для отключения мешка).
Bias	Смещение для вычисления градиента для каждой ячейки признаков для категориального признака.
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.
CategoricalSplit	Следует ли выполнять разделение на основе нескольких категориальных значений признаков.
CompressEnsemble	Сожмите дерево Ensemble.
DiskTranspose	Следует ли использовать диск или собственные средства транспозиции данных (если это применимо) при выполнении транспонирования.
EntropyCoefficient	Коэффициент энтропии (регуляризации) от 0 до 1.
ExampleWeightColumnName	Столбец, используемый для примера веса. (Унаследовано от TrainerInputBaseWithWeight)
ExecutionTime	Разбивка времени выполнения на печать в канале ML.NET.
FeatureColumnName	Столбец, используемый для функций. (Унаследовано от TrainerInputBase)
FeatureFirstUsePenalty	Признак, который первым использует штрафной коэффициент.
FeatureFlocks	Следует ли выполнять коллективизацию признаков во время подготовки набора данных для ускорения обучения.
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.
FeatureFractionPerSplit	Доля признаков (выбранных случайным образом) для каждого разбиения. Если значение равно 0,9, 90 % всех функций будет отброшено бы в ожидании.
FeatureReusePenalty	Коэффициент повторного использования штрафа (регуляризации).
FeatureSelectionSeed	Начальное значение выбора активного компонента.
GainConfidenceLevel	Требование к достоверности при установке деревьев. Учитывайте увеличение только в том случае, если его вероятность и случайный выигрыш при выборе выше этого значения.
HistogramPoolSize	Количество гистограмм в пуле (от 2 до numLeaves).
LabelColumnName	Столбец, используемый для меток. (Унаследовано от TrainerInputBaseWithLabel)
MaximumBinCountPerFeature	Максимальное число уникальных значений (интервалов) на признак.
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.
MaximumCategoricalSplitPointCount	Максимальное количество точек разделения категорий, которые следует учитывать при разделении по категориальным признакам.
MemoryStatistics	Вывод статистики памяти в канал ML.NET.
MinimumExampleCountPerLeaf	Минимальное количество точек данных, необходимых для формирования нового листа дерева.
MinimumExampleFractionForCategoricalSplit	Минимальный процент категориального примера в ячейке, который следует учитывать для разделения. Значение по умолчанию — 0,1 % от всех примеров обучения.
MinimumExamplesForCategoricalSplit	Минимальное категориальное число примеров в ячейке, учитываемой для разделения.
NumberOfLeaves	Максимальное количество листьев в каждом дереве регрессии.
NumberOfThreads	Количество потоков для использования.
NumberOfTrees	Общее количество деревьев принятия решений, создаваемых в ансамбле.
RowGroupColumnName	Столбец для использования, например groupId. (Унаследовано от TrainerInputBaseWithGroupId)
Seed	Начальное значение генератора случайных чисел.
Smoothing	Параметр Smoothing для регуляризации дерева.
SoftmaxTemperature	Температура случайного распределения softmax для выбора признака.
SparsifyThreshold	Уровень разреженности, необходимый для использования разреженного представления признаков.
TestFrequency	Вычислите значения метрик для обучения, допустимости и проверки каждого k раундов.