FastTreeBinaryTrainer.Options Klasse

Definition

Namespace:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Paket:

Microsoft.ML.FastTree v2.0.0

Optionen für die FastTreeBinaryTrainer , wie sie in FastTree(Optionen) verwendet werden.

public sealed class FastTreeBinaryTrainer.Options : Microsoft.ML.Trainers.FastTree.BoostedTreeOptions, Microsoft.ML.Runtime.IComponentFactory<Microsoft.ML.ITrainer>

type FastTreeBinaryTrainer.Options = class
    inherit BoostedTreeOptions
    interface IComponentFactory<ITrainer>
    interface IComponentFactory

Public NotInheritable Class FastTreeBinaryTrainer.Options
Inherits BoostedTreeOptions
Implements IComponentFactory(Of ITrainer)

Vererbung

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

FastTreeBinaryTrainer.Options

Implementiert

IComponentFactory IComponentFactory<Microsoft.ML.ITrainer>

Konstruktoren

FastTreeBinaryTrainer.Options()

Erstellen Sie ein neues FastTreeBinaryTrainer.Options Objekt mit Standardwerten.

Felder

AllowEmptyTrees	Wenn eine Stammaufteilung nicht möglich ist, lassen Sie das Training fort. (Geerbt von TreeOptions)
BaggingExampleFraction	Prozentsatz der Trainingsbeispiele, die in jeder Tasche verwendet werden. Der Standardwert ist 0,7 (70 %). (Geerbt von TreeOptions)
BaggingSize	Anzahl der Bäume in jeder Tasche (0 zum Deaktivieren des Sackens). (Geerbt von TreeOptions)
BestStepRankingRegressionTrees	Option für die Verwendung der besten Regressionsschrittstrukturen. (Geerbt von BoostedTreeOptions)
Bias	Bias zum Berechnen des Farbverlaufs für jede Feature-Bin für ein kategorisches Feature. (Geerbt von TreeOptions)
Bundling	Bündelung von Behältern mit geringer Befüllung. Bundle.None(0): keine Bündelung, Bundle.AggregateLowPopulation(1): Bundle low population, Bundle.Adjacent(2): Neighbor low population bundle. (Geerbt von TreeOptions)
CategoricalSplit	Gibt an, ob eine Aufteilung basierend auf mehreren kategorischen Featurewerten durchgeführt werden soll. (Geerbt von TreeOptions)
CompressEnsemble	Komprimieren Sie das Strukturensemble. (Geerbt von TreeOptions)
DiskTranspose	Gibt an, ob der Datenträger oder die nativen Umsetzungsmöglichkeiten der Daten (sofern zutreffend) bei der Durchführung der Transponierung verwendet werden sollen. (Geerbt von TreeOptions)
DropoutRate	Abbruchrate für die Struktur regularisierung. (Geerbt von BoostedTreeOptions)
EnablePruning	Aktivieren Sie die Strukturbereinigung nach dem Training, um eine Überanpassung zu vermeiden. Es ist ein Validierungssatz erforderlich. (Geerbt von BoostedTreeOptions)
EntropyCoefficient	Der Entropiekoeffizienten (Regularisierung) zwischen 0 und 1. (Geerbt von TreeOptions)
ExampleWeightColumnName	Zu verwendende Spalte, z. B. Gewichtung. (Geerbt von TrainerInputBaseWithWeight)
ExecutionTime	Aufschlüsselung der Druckausführungszeit auf ML.NET Kanal. (Geerbt von TreeOptions)
FeatureColumnName	Spalte, die für Features verwendet werden soll. (Geerbt von TrainerInputBase)
FeatureFirstUsePenalty	Das Feature verwendet zuerst den Strafkoeffizienten. (Geerbt von TreeOptions)
FeatureFlocks	Gibt an, ob Features während der Datasetvorbereitung gesammelt werden sollen, um das Training zu beschleunigen. (Geerbt von TreeOptions)
FeatureFraction	Der Anteil der Features (zufällig ausgewählt), die bei jeder Iteration verwendet werden sollen. Verwenden Sie 0.9, wenn nur 90 % der Features benötigt werden. Niedrigere Zahlen tragen dazu bei, die Überanpassung zu reduzieren. (Geerbt von TreeOptions)
FeatureFractionPerSplit	Der Anteil der Features (zufällig ausgewählt), die für jede Aufteilung verwendet werden sollen. Wenn der Wert 0,9 ist, würden 90 % aller Features in Erwartung gelöscht. (Geerbt von TreeOptions)
FeatureReusePenalty	Der Koeffizienten für die Wiederverwendung (Regularisierung) der Funktion. (Geerbt von TreeOptions)
FeatureSelectionSeed	Der Seed der aktiven Featureauswahl. (Geerbt von TreeOptions)
FilterZeroLambdas	Filtern Sie null Lambdas während des Trainings. (Geerbt von BoostedTreeOptions)
GainConfidenceLevel	Strukturanpassungsanforderung: Vertrauenserfordernis. Erwägen Sie nur einen Gewinn, wenn seine Wahrscheinlichkeit im Vergleich zu einem zufälligen Auswahlgewinn über diesem Wert liegt. (Geerbt von TreeOptions)
GetDerivativesSampleRate	Beispielen Sie jede Abfrage 1 in k in der GetDerivatives-Funktion. (Geerbt von BoostedTreeOptions)
HistogramPoolSize	Die Anzahl der Histogramme im Pool (zwischen 2 und numLeaves). (Geerbt von TreeOptions)
LabelColumnName	Spalte, die für Bezeichnungen verwendet werden soll. (Geerbt von TrainerInputBaseWithLabel)
LearningRate	Die Lernrate. (Geerbt von BoostedTreeOptions)
MaximumBinCountPerFeature	Maximale Anzahl unterschiedlicher Werte (Bins) pro Feature. (Geerbt von TreeOptions)
MaximumCategoricalGroupCountPerNode	Maximale kategorische Aufteilung von Gruppen, die beim Aufteilen in einem kategorischen Feature berücksichtigt werden müssen. Geteilte Gruppen sind eine Sammlung von geteilten Punkten. Dies wird verwendet, um die Überanpassung zu reduzieren, wenn viele kategorische Features vorhanden sind. (Geerbt von TreeOptions)
MaximumCategoricalSplitPointCount	Maximale kategorische Teilungspunkte, die beim Teilen eines kategorischen Features berücksichtigt werden müssen. (Geerbt von TreeOptions)
MaximumNumberOfLineSearchSteps	Anzahl der Suchschritte nach Klammern. (Geerbt von BoostedTreeOptions)
MaximumTreeOutput	Obergrenze für den absoluten Wert der Ausgabe einer einzelnen Struktur. (Geerbt von BoostedTreeOptions)
MemoryStatistics	Drucken Sie Speicherstatistiken in ML.NET Kanal. (Geerbt von TreeOptions)
MinimumExampleCountPerLeaf	Die minimale Anzahl von Datenpunkten, die zum Bilden eines neuen Baumblatts erforderlich sind. (Geerbt von TreeOptions)
MinimumExampleFractionForCategoricalSplit	Minimaler kategorischer Beispielprozentsatz in einer Bin, der für eine Aufteilung berücksichtigt werden soll. Der Standardwert beträgt 0,1 % aller Trainingsbeispiele. (Geerbt von TreeOptions)
MinimumExamplesForCategoricalSplit	Minimale kategorische Beispielanzahl in einer Bin, die für eine Aufteilung berücksichtigt werden soll. (Geerbt von TreeOptions)
MinimumStepSize	Minimale Zeilensuchschrittgröße. (Geerbt von BoostedTreeOptions)
NumberOfLeaves	Die maximale Anzahl von Blättern in jeder Regressionsstruktur. (Geerbt von TreeOptions)
NumberOfThreads	Die Anzahl der zu verwendenden Threads. (Geerbt von TreeOptions)
NumberOfTrees	Gesamtanzahl der zu erstellenden Entscheidungsstrukturen im Ensemble. (Geerbt von TreeOptions)
OptimizationAlgorithm	Zu verwendende Optimierungsalgorithmus. (Geerbt von BoostedTreeOptions)
PruningThreshold	Der Toleranzschwellenwert für die Beschneidung. (Geerbt von BoostedTreeOptions)
PruningWindowSize	Die Größe des sich bewegenden Fensters für das Zuschneiden. (Geerbt von BoostedTreeOptions)
RandomStart	Das Training beginnt mit der zufälligen Reihenfolge (bestimmt durch /r1). (Geerbt von BoostedTreeOptions)
RowGroupColumnName	Zu verwendende Spalte, z. B. groupId. (Geerbt von TrainerInputBaseWithGroupId)
Seed	Der Seed des Zufallszahlengenerators. (Geerbt von TreeOptions)
Shrinkage	Schrumpfung. (Geerbt von BoostedTreeOptions)
Smoothing	Glättungsparameter für die Strukturregulärisierung. (Geerbt von TreeOptions)
SoftmaxTemperature	Die Temperatur der randomisierten Softmax-Verteilung für die Auswahl des Features. (Geerbt von TreeOptions)
SparsifyThreshold	Die Sparsity-Ebene ist erforderlich, um die Darstellung von Sparsefeatures zu verwenden. (Geerbt von TreeOptions)
TestFrequency	Berechnen Sie Metrikwerte für train/valid/test für alle k-Runden. (Geerbt von TreeOptions)
UnbalancedSets	Gibt an, ob Derivate verwendet werden sollen, die für unausgewogene Trainingsdaten optimiert sind.
UseLineSearch	Bestimmt, ob die Zeilensuche für eine Schrittgröße verwendet werden soll. (Geerbt von BoostedTreeOptions)
UseTolerantPruning	Verwenden Sie Fenster und Toleranz für die Beschneidung. (Geerbt von BoostedTreeOptions)
WriteLastEnsemble	Schreiben Sie das letzte Ensemble anstelle des ensembles, das durch frühzeitiges Beenden bestimmt wurde. (Geerbt von BoostedTreeOptions)

Eigenschaften

EarlyStoppingMetric	Metriken frühzeitig beenden.
EarlyStoppingRule	Die Regel zum Vorzeitigen Beenden des Trainings wird verwendet, sobald ein bestimmtes Kriterium erfüllt wurde. Mögliche Optionen sind EarlyStoppingRuleBaseImplementierungen wie TolerantEarlyStoppingRule und GeneralityLossRule. (Geerbt von BoostedTreeOptions)

Explizite Schnittstellenimplementierungen

IComponentFactory<ITrainer>.CreateComponent(IHostEnvironment)

Optionen für die FastTreeBinaryTrainer , wie sie in FastTree(Optionen) verwendet werden.