FastTreeRankingTrainer Sınıf
Tanım
Önemli
Bazı bilgiler ürünün ön sürümüyle ilgilidir ve sürüm öncesinde önemli değişiklikler yapılmış olabilir. Burada verilen bilgilerle ilgili olarak Microsoft açık veya zımni hiçbir garanti vermez.
IEstimator<TTransformer> FastTree kullanarak karar ağacı derecelendirme modelini eğitin.
public sealed class FastTreeRankingTrainer : Microsoft.ML.Trainers.FastTree.BoostingFastTreeTrainerBase<Microsoft.ML.Trainers.FastTree.FastTreeRankingTrainer.Options,Microsoft.ML.Data.RankingPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastTreeRankingModelParameters>,Microsoft.ML.Trainers.FastTree.FastTreeRankingModelParameters>
type FastTreeRankingTrainer = class
inherit BoostingFastTreeTrainerBase<FastTreeRankingTrainer.Options, RankingPredictionTransformer<FastTreeRankingModelParameters>, FastTreeRankingModelParameters>
Public NotInheritable Class FastTreeRankingTrainer
Inherits BoostingFastTreeTrainerBase(Of FastTreeRankingTrainer.Options, RankingPredictionTransformer(Of FastTreeRankingModelParameters), FastTreeRankingModelParameters)
- Devralma
Açıklamalar
Bu eğitmeni oluşturmak için FastTree veya FastTree(Seçenekler) kullanın.
Giriş ve Çıkış Sütunları
Giriş etiketi veri türü veyaSingleanahtar türü olmalıdır. Etiketin değeri, daha yüksek değerlerin daha yüksek ilgiyi gösterdiği ilgiyi belirler. Etiket bir anahtar türüyse anahtar dizini, en küçük dizinin en az ilgili olduğu ilgi değeridir. Etiket bir Singleise, daha büyük değerler daha yüksek ilgi gösterir. Özellik sütunu bilinen boyutlu bir vektör Single olmalı ve giriş satırı grubu sütunu anahtar türünde olmalıdır.
Bu eğitmen aşağıdaki sütunları oluşturur:
Çıkış Sütunu Adı | Sütun Türü | Açıklama |
---|---|---|
Score |
Single | Tahmini belirlemek için model tarafından hesaplanan ilişkisiz puan. |
Eğitmen Özellikleri
Makine öğrenmesi görevi | Sıralama |
Normalleştirme gerekli mi? | Hayır |
Önbelleğe alma gerekli mi? | Hayır |
Microsoft.ML ek olarak gerekli NuGet | Microsoft.ML.FastTree |
ONNX'e aktarılabilir | Hayır |
Eğitim Algoritması Ayrıntıları
FastTree, MART gradyan artırma algoritmasının verimli bir uygulamasıdır. Gradyan artırma, regresyon sorunlarına yönelik bir makine öğrenmesi tekniğidir. Her bir regresyon ağacını adım açısından oluşturur ve her adımın hatasını ölçmek için önceden tanımlanmış bir kayıp işlevini kullanarak sonraki adımda düzelter. Bu nedenle bu tahmin modeli aslında daha zayıf tahmin modellerinin bir topluluğudur. Regresyon sorunlarında, artırmak bu tür ağaçlardan oluşan bir dizi adımı adım şeklinde oluşturur ve ardından rastgele bir farklıleştirilebilir kayıp işlevi kullanarak en uygun ağacı seçer.
MART, yapraklarında skaler değerler bulunan bir karar ağacı olan regresyon ağaçlarının bir topluluğunu öğrenir. Karar (veya regresyon) ağacı, her iç düğümde iki alt düğümden hangisinin girişteki özellik değerlerinden birine göre devam etmeye karar veren ikili ağaç benzeri bir akış grafiğidir. Her yaprak düğümde bir değer döndürülür. İç düğümlerde karar x <= v testini temel alır; burada x, giriş örneğindeki özelliğin değeridir ve v bu özelliğin olası değerlerinden biridir. Regresyon ağacı tarafından üretilebilen işlevlerin tümü parça temelli sabit işlevlerdir.
Ağaç grubu, her adımda, kayıp işlevinin gradyanını yaklaşık olarak gösteren ve yeni ağacın kaybını en aza indiren katsayıları olan önceki ağaca ekleyen bir regresyon ağacının hesaplanmasıyla üretilir. Belirli bir örnekte MART tarafından üretilen topluluğun çıkışı, ağaç çıkışlarının toplamıdır.
- İkili sınıflandırma sorunu olması durumunda çıkış, bir tür kalibrasyon kullanılarak bir olasılığa dönüştürülür.
- Regresyon sorunu olması durumunda çıkış, işlevin tahmin edilen değeridir.
- Derecelendirme sorunu olması durumunda örnekler, topluluğun çıkış değerine göre sıralanır.
Daha fazla bilgi için bkz.:
- Vikipedi: Gradyan artırma (Gradyan ağacı artırma).
- Doyumsuz işlev yaklaşık: Gradyan artırma makinesi.
Kullanım örneklerinin bağlantıları için Ayrıca Bkz. bölümüne bakın.
Alanlar
FeatureColumn |
Eğitmenin beklediği özellik sütunu. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
GroupIdColumn |
Derecelendirme eğitmenlerinin beklediği isteğe bağlı groupID sütunu. (Devralındığı yer: TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
LabelColumn |
Eğitmenin beklediği etiket sütunu. etiketin eğitim için kullanılmadığını gösteren olabilir |
WeightColumn |
Eğitmenin beklediği ağırlık sütunu. olabilir |
Özellikler
Info |
IEstimator<TTransformer> FastTree kullanarak karar ağacı derecelendirme modelini eğitin. (Devralındığı yer: FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Yöntemler
Fit(IDataView) |
Bir ITransformereğiter ve döndürür. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Fit(IDataView, IDataView) |
Hem eğitim hem de doğrulama verilerini kullanarak bir FastTreeRankingTrainer eğiter, döndürür RankingPredictionTransformer<TModel>. |
GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> FastTree kullanarak karar ağacı derecelendirme modelini eğitin. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Uzantı Metotları
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tahmin aracı zincirine bir 'önbelleğe alma denetim noktası' ekler. Bu, aşağı akış tahmincilerinin önbelleğe alınan verilere karşı eğitilmesini sağlar. Birden çok veri geçişi alan eğitmenlerden önce bir önbelleğe alma denetim noktası olması yararlıdır. |
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Tahmin aracı verildiğinde, çağrıldıktan sonra Fit(IDataView) temsilci çağıracak bir sarmalama nesnesi döndürün. Tahmin aracının neyin uygun olduğu hakkında bilgi döndürmesi genellikle önemlidir. Bu nedenle Fit(IDataView) yöntem yalnızca genel ITransformerbir nesne yerine özel olarak yazılan bir nesne döndürür. Bununla birlikte, aynı zamanda, IEstimator<TTransformer> genellikle birçok nesneye sahip işlem hatları halinde oluşturulur, bu nedenle transformatör almak istediğimiz tahmin aracının EstimatorChain<TLastTransformer> bu zincirde bir yere gömülü olduğu bir tahmin aracı zinciri oluşturmamız gerekebilir. Bu senaryo için, bu yöntem aracılığıyla sığdır çağrıldıktan sonra çağrılacak bir temsilci ekleyebiliriz. |
Şunlara uygulanır
Ayrıca bkz.
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin