LightGbmRankingTrainer Класс

Определение

Пространство имен:

Microsoft.ML.Trainers.LightGbm

Сборка:

Microsoft.ML.LightGbm.dll

Пакет:

Microsoft.ML.LightGbm v3.0.1

Для IEstimator<TTransformer> обучения модели ранжирования дерева принятия решений с помощью LightGBM.

public sealed class LightGbmRankingTrainer : Microsoft.ML.Trainers.LightGbm.LightGbmTrainerBase<Microsoft.ML.Trainers.LightGbm.LightGbmRankingTrainer.Options,float,Microsoft.ML.Data.RankingPredictionTransformer<Microsoft.ML.Trainers.LightGbm.LightGbmRankingModelParameters>,Microsoft.ML.Trainers.LightGbm.LightGbmRankingModelParameters>

type LightGbmRankingTrainer = class
    inherit LightGbmTrainerBase<LightGbmRankingTrainer.Options, single, RankingPredictionTransformer<LightGbmRankingModelParameters>, LightGbmRankingModelParameters>

Public NotInheritable Class LightGbmRankingTrainer
Inherits LightGbmTrainerBase(Of LightGbmRankingTrainer.Options, Single, RankingPredictionTransformer(Of LightGbmRankingModelParameters), LightGbmRankingModelParameters)

Наследование

Object

TrainerEstimatorBase<TTransformer,TModel>

TrainerEstimatorBaseWithGroupId<TTransformer,TModel>

LightGbmTrainerBase<LightGbmRankingTrainer.Options,Single,RankingPredictionTransformer<LightGbmRankingModelParameters>,LightGbmRankingModelParameters>

LightGbmRankingTrainer

Комментарии

Чтобы создать этот тренер, используйте LightGbm или LightGbm(Options).

Входные и выходные столбцы

Входные данные метки должны иметь тип key или Single. Значение метки определяет релевантность, где более высокие значения означают более высокую степень релевантности. Если метка имеет тип key, индексом ключа будет значение релевантности, где наименьший индекс является минимально релевантным. Если метка имеет тип Single, более высокие значения означают более высокую степень релевантности. Столбец признаков должен быть вектором известного Single размера, а столбец входной группы строк должен быть типом ключа .

Этот алгоритм обучения выводит следующие столбцы:

Имя выходного столбца	Тип столбца	Описание
Score	Single	Несвязанная оценка, вычисляемая моделью для определения прогноза.

Характеристики тренера

Задача машинного обучения	Функции ранжирования
Требуется ли нормализация?	Нет
Требуется ли кэширование?	Нет
Обязательный NuGet в дополнение к Microsoft.ML	Microsoft.ML.LightGbm
Экспортируемый в ONNX	Нет

Сведения о алгоритме обучения

LightGBM — это открытый код реализация дерева принятия решений по градиенту. Дополнительные сведения о реализации см. в официальной документации LightGBM или в этом документе.

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Поля

FeatureColumn	Столбец признаков, который ожидает тренер. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
GroupIdColumn	Необязательный столбец groupID, который ожидает тренеры ранжирования. (Унаследовано от TrainerEstimatorBaseWithGroupId<TTransformer,TModel>)
LabelColumn	Столбец меток, который ожидает тренер. Может иметь значение null, указывающее, что метка не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
WeightColumn	Столбец веса, который ожидает тренер. Может быть null, что указывает, что вес не используется для обучения. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Свойства

Info	Для IEstimator<TTransformer> обучения модели ранжирования дерева принятия решений с помощью LightGBM. (Унаследовано от LightGbmTrainerBase<TOptions,TOutput,TTransformer,TModel>)

Методы

Fit(IDataView)	Поезда и возвращается ITransformer. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)	Обучает как обучающие LightGbmRankingTrainer , так и проверочный данные, возвращает значение RankingPredictionTransformer<TModel>.
GetOutputSchema(SchemaShape)	Для IEstimator<TTransformer> обучения модели ранжирования дерева принятия решений с помощью LightGBM. (Унаследовано от TrainerEstimatorBase<TTransformer,TModel>)

Методы расширения

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.

См. также раздел

• LightGbm(RankingCatalog+RankingTrainers, String, String, String, String, Nullable<Int32>, Nullable<Int32>, Nullable<Double>, Int32)
• LightGbm(RankingCatalog+RankingTrainers, LightGbmRankingTrainer+Options)
• LightGbmRankingTrainer.Options