FastTreeRegressionTrainer 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 regresyon modelini eğitme.
public sealed class FastTreeRegressionTrainer : Microsoft.ML.Trainers.FastTree.BoostingFastTreeTrainerBase<Microsoft.ML.Trainers.FastTree.FastTreeRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastTreeRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.FastTreeRegressionModelParameters>type FastTreeRegressionTrainer = class
inherit BoostingFastTreeTrainerBase<FastTreeRegressionTrainer.Options, RegressionPredictionTransformer<FastTreeRegressionModelParameters>, FastTreeRegressionModelParameters>Public NotInheritable Class FastTreeRegressionTrainer
Inherits BoostingFastTreeTrainerBase(Of FastTreeRegressionTrainer.Options, RegressionPredictionTransformer(Of FastTreeRegressionModelParameters), FastTreeRegressionModelParameters)- Devralma
Açıklamalar
Bu eğitmeni oluşturmak için FastTree veya FastTree(Options) kullanın.
Giriş ve Çıkış Sütunları
Giriş etiketi sütun verileri olmalıdır Single. Giriş özellikleri sütun verileri bilinen boyutlu bir vektör Singleolmalıdır.
Bu eğitmen aşağıdaki sütunları oluşturur:
| Çıkış Sütunu Adı | Sütun Türü | Description |
|---|---|---|
Score |
Single | Model tarafından tahmin edilen ilişkisiz puan. |
Eğitmen Özellikleri
| Makine öğrenmesi görevi | Regresyon |
| Normalleştirme gerekli mi? | No |
| Önbelleğe alma gerekli mi? | No |
| Microsoft.ML ek olarak gerekli NuGet | Microsoft.ML.FastTree |
| ONNX'e aktarılabilir | Yes |
Eğitim Algoritması Ayrıntıları
FastTree, MART gradyan artırma algoritmasının verimli bir uygulamasıdır. Gradyan artırma, regresyon sorunlarına yönelik bir makine öğrenmesi tekniğidir. Her bir regresyon ağacını adımlara göre oluşturur ve her adımda hatayı ölçmek için önceden tanımlanmış bir kayıp işlevi kullanarak sonraki adımda düzelter. Bu nedenle bu tahmin modeli aslında daha zayıf tahmin modellerinin bir topluluğudur. Regresyon sorunlarında, artırmak bu tür ağaçlardan bir dizisini adım açısından oluşturur ve ardından rastgele bir farklıleştirilebilir kayıp işlevi kullanarak en uygun ağacı seçer.
MART, yapraklarında skaler değerlere sahip 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 etmek istediğinize 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 başına sabit işlevlerdir.
Ağaç grubu, her adımda kayıp işlevinin gradyanını yaklaşık olarak gösteren bir regresyon ağacının hesaplanması ve yeni ağacın kaybını en aza indiren katsayılarla önceki ağaca eklenmesiyle oluşturulur. 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. |
Özellikler
| Info |
IEstimator<TTransformer> FastTree kullanarak karar ağacı regresyon modelini eğitme. (Devralındığı yer: FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Yöntemler
| Fit(IDataView) |
bir ITransformereğitip döndürür. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
| Fit(IDataView, IDataView) |
Hem eğitim hem de doğrulama verilerini kullanarak bir FastTreeRegressionTrainer eğiter, döndürür RegressionPredictionTransformer<TModel>. |
| GetOutputSchema(SchemaShape) |
IEstimator<TTransformer> FastTree kullanarak karar ağacı regresyon modelini eğitme. (Devralındığı yer: TrainerEstimatorBase<TTransformer,TModel>) |
Uzantı Metotları
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tahmin zincirine 'önbelleğe alma denetim noktası' ekleme. Bu, aşağı akış tahmincilerinin önbelleğe alınan verilere karşı eğitilmesini sağlar. Birden çok veri geçiren eğitmenlerden önce bir önbelleğe alma kontrol noktası olması yararlıdır. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Tahmin aracı verildiğinde, bir temsilci çağrıldıktan sonra Fit(IDataView) 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 nesne içeren işlem hatları halinde oluşturulur, bu nedenle transformatörü 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
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. https://aka.ms/ContentUserFeedback.
Gönderin ve geri bildirimi görüntüleyin