TreeOptions 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.
Ağaç eğitmenleri için seçenekler.
public abstract class TreeOptions : Microsoft.ML.Trainers.TrainerInputBaseWithGroupId
type TreeOptions = class
inherit TrainerInputBaseWithGroupId
Public MustInherit Class TreeOptions
Inherits TrainerInputBaseWithGroupId
- Devralma
- Türetilmiş
Oluşturucular
TreeOptions() |
Ağaç eğitmenleri için seçenekler. |
Alanlar
AllowEmptyTrees |
Kök bölme mümkün olmadığında eğitimin devam etmesine izin verin. |
BaggingExampleFraction |
Her çantada kullanılan eğitim örneklerinin yüzdesi. Varsayılan değer 0,7 (%70). |
BaggingSize |
Her torbadaki ağaç sayısı (bagging'i devre dışı bırakmak için 0). |
Bias |
Kategorik bir özellik için her özellik kutusu için gradyan hesaplamaya yönelik yanlılık. |
Bundling |
Düşük popülasyonlu bölmeleri paketle. Bundle.None(0): no bundling, Bundle.AggregateLowPopulation(1): Bundle low population, Bundle.Adjacent(2): Komşu düşük popülasyon paketi. |
CategoricalSplit |
Birden çok kategorik özellik değerine göre bölme yapılıp yapılmaymayacağı. |
CompressEnsemble |
Ağaç Topluluğu'na sıkıştırın. |
DiskTranspose |
İşlemi gerçekleştirirken diskin mi yoksa verilerin yerel transposition tesislerinin mi (uygunsa) kullanılıp kullanılmayacağı. |
EntropyCoefficient |
0 ile 1 arasındaki entropi (normalleştirme) katsayısı. |
ExampleWeightColumnName |
Ağırlık gibi kullanılacak sütun. (Devralındığı yer: TrainerInputBaseWithWeight) |
ExecutionTime |
Yürütme zamanı dökümünü ML.NET kanala yazdırın. |
FeatureColumnName |
Özellikler için kullanılacak sütun. (Devralındığı yer: TrainerInputBase) |
FeatureFirstUsePenalty |
Özellik ilk olarak ceza katsayısını kullanır. |
FeatureFlocks |
Eğitimi hızlandırmak için veri kümesi hazırlığı sırasında özelliklerin toplanıp toplanmayacağı. |
FeatureFraction |
Her yinelemede kullanılacak özelliklerin kesri (rastgele seçilir). Özelliklerin yalnızca %90'ının gerekli olması durumunda 0,9 kullanın. Düşük sayılar aşırı uyumu azaltmaya yardımcı olur. |
FeatureFractionPerSplit |
Her bölmede kullanılacak özelliklerin kesri (rastgele seçilir). Değeri 0,9 ise tüm özelliklerin %90'ı beklentiye düşer. |
FeatureReusePenalty |
Özellik yeniden kullanım ceza (normalleştirme) katsayısı. |
FeatureSelectionSeed |
Etkin özellik seçiminin tohumu. |
GainConfidenceLevel |
Ağaç sığdırma güven gereksinimi kazanın. Yalnızca bu değerin üzerinde rastgele bir seçim kazancıyla karşı karşıya olma olasılığı varsa bir kazanç düşünün. |
HistogramPoolSize |
Havuzdaki histogramların sayısı (2 ile numLeaves arasında). |
LabelColumnName |
Etiketler için kullanılacak sütun. (Devralındığı yer: TrainerInputBaseWithLabel) |
MaximumBinCountPerFeature |
Özellik başına en fazla ayrı değer (bölme) sayısı. |
MaximumCategoricalGroupCountPerNode |
Kategorik bir özellikte bölerken dikkate alınacak en fazla kategorik bölme grubu. Bölünmüş gruplar, bölünmüş noktalardan oluşan bir koleksiyon. Bu, birçok kategorik özellik olduğunda fazla uygunluğu azaltmak için kullanılır. |
MaximumCategoricalSplitPointCount |
Kategorik bir özelliğe bölünürken dikkate alınacak en fazla kategorik bölme noktası. |
MemoryStatistics |
Bellek istatistiklerini ML.NET kanala yazdırın. |
MinimumExampleCountPerLeaf |
Yeni bir ağaç yaprağı oluşturmak için gereken en az veri noktası sayısı. |
MinimumExampleFractionForCategoricalSplit |
Bölmede bölme için dikkate alınacak en düşük kategorik örnek yüzdesi. Varsayılan değer tüm eğitim örneklerinin %0,1'idir. |
MinimumExamplesForCategoricalSplit |
Bölmede bölme için dikkate alınacak en düşük kategorik örnek sayısı. |
NumberOfLeaves |
Her regresyon ağacındaki maksimum yaprak sayısı. |
NumberOfThreads |
Kullanılacak iş parçacığı sayısı. |
NumberOfTrees |
Toplulukta oluşturulacak karar ağacının toplam sayısı. |
RowGroupColumnName |
GroupId gibi kullanılacak sütun. (Devralındığı yer: TrainerInputBaseWithGroupId) |
Seed |
Rastgele sayı oluşturucunun tohumu. |
Smoothing |
Ağaç düzenlileştirme için düzeltme parametresi. |
SoftmaxTemperature |
Özelliği seçmek için rastgele softmax dağılımının sıcaklığı. |
SparsifyThreshold |
Seyrek özellik gösterimini kullanmak için sparsity düzeyi gereklidir. |
TestFrequency |
Eğitim/geçerli/her k turu için ölçüm değerlerini hesaplayın. |
Şunlara uygulanır
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