FastForestRegressionTrainer Třída
Definice
Důležité
Některé informace platí pro předběžně vydaný produkt, který se může zásadně změnit, než ho výrobce nebo autor vydá. Microsoft neposkytuje žádné záruky, výslovné ani předpokládané, týkající se zde uváděných informací.
Model IEstimator<TTransformer> regrese rozhodovacího stromu pro trénování pomocí rychlé doménové struktury.
public sealed class FastForestRegressionTrainer : Microsoft.ML.Trainers.FastTree.RandomForestTrainerBase<Microsoft.ML.Trainers.FastTree.FastForestRegressionTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastForestRegressionModelParameters>,Microsoft.ML.Trainers.FastTree.FastForestRegressionModelParameters>type FastForestRegressionTrainer = class
inherit RandomForestTrainerBase<FastForestRegressionTrainer.Options, RegressionPredictionTransformer<FastForestRegressionModelParameters>, FastForestRegressionModelParameters>Public NotInheritable Class FastForestRegressionTrainer
Inherits RandomForestTrainerBase(Of FastForestRegressionTrainer.Options, RegressionPredictionTransformer(Of FastForestRegressionModelParameters), FastForestRegressionModelParameters)- Dědičnost
Poznámky
Chcete-li vytvořit tohoto trenéra, použijte FastForest nebo FastForest(Možnosti).
Vstupní a výstupní sloupce
Vstupní data sloupce popisku musí být Single. Vstupními funkcemi musí být data sloupců známého vektoru Singlevelikosti .
Tento trenér vypíše následující sloupce:
| Název výstupního sloupce | Typ sloupce | Description |
|---|---|---|
Score |
Single | Nevázané skóre, které model předpověděl. |
Charakteristiky trenéra
| Úloha strojového učení | Regrese |
| Vyžaduje se normalizace? | No |
| Vyžaduje se ukládání do mezipaměti? | No |
| Povinné nuGet kromě Microsoft.ML | Microsoft.ML.FastTree |
| Exportovatelný do ONNX | Yes |
Podrobnosti o trénovacím algoritmu
Rozhodovací stromy jsou neparametrické modely, které provádějí posloupnost jednoduchých testů na vstupech. Tento rozhodovací postup je mapuje na výstupy nalezené v trénovací datové sadě, jejichž vstupy byly podobné instanci, která se zpracovává. Rozhodnutí se provádí na každém uzlu datové struktury binárního stromu na základě míry podobnosti, která mapuje každou instanci rekurzivně přes větve stromu, dokud se nedosáhne odpovídajícího uzlu listu a vrátí se výstupní rozhodnutí.
Rozhodovací stromy mají několik výhod:
- Jsou efektivní při výpočtu i využití paměti během trénování a předpovědi.
- Mohou představovat nelineární rozhodovací hranice.
- Provádějí výběr a klasifikaci integrovaných funkcí.
- Jsou odolné v přítomnosti hlučných funkcí.
Rychlá doménová struktura je náhodná implementace doménové struktury. Model se skládá ze souboru rozhodovacích stromů. Každý strom v rozhodovací doménové struktuře výstupuje Gaussian rozdělení prostřednictvím předpovědi. Agregace se provádí přes soubor stromů, který najde gaussovské rozdělení nejblíže kombinované distribuci pro všechny stromy v modelu. Tento klasifikátor rozhodovacího lesa se skládá ze souboru rozhodovacích stromů.
Obecně platí, že modely souborů poskytují lepší pokrytí a přesnost než jeden rozhodovací strom. Každý strom v rozhodovací doménové struktuře výstupuje Gaussian rozdělení.
Další informace najdete tady:
V části Viz také najdete odkazy na příklady použití.
Pole
| FeatureColumn |
Sloupec funkcí, který trenér očekává. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Volitelný sloupec groupID, který očekává trenér hodnocení. (Zděděno od TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Sloupec popisku, který trenér očekává. Může to být |
| WeightColumn |
Sloupec hmotnosti, který trenér očekává. Může být |
Vlastnosti
| Info |
Model IEstimator<TTransformer> regrese rozhodovacího stromu pro trénování pomocí rychlé doménové struktury. (Zděděno od FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Metody
| Fit(IDataView) |
Vlaky a vrátí ITransformerhodnotu . (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| Fit(IDataView, IDataView) |
FastForestRegressionTrainer Trénování pomocí trénovacích i ověřovacích dat vrátí RegressionPredictionTransformer<TModel>hodnotu . |
| GetOutputSchema(SchemaShape) |
Model IEstimator<TTransformer> regrese rozhodovacího stromu pro trénování pomocí rychlé doménové struktury. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozšíření
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Připojte k řetězci odhadu kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby se podřízené estimátory natrénovaly na data uložená v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Pokud získáte odhadátor, vraťte obtékání objektu, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně zadaný objekt, a ne jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadovačů prostřednictvím EstimatorChain<TLastTransformer> toho, kde je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, uložen někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po volání fit. |
Platí pro
Viz také
Váš názor
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu: https://aka.ms/ContentUserFeedback.
Odeslat a zobrazit názory pro