FastTreeRegressionTrainer クラス


IEstimator<TTransformer>FastTree を使用して意思決定ツリー回帰モデルをトレーニングする場合の 。

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)


To create this trainer, use FastTree or FastTree(Options).

Input and Output Columns

The input label column data must be Single. The input features column data must be a known-sized vector of Single.

This trainer outputs the following columns:

Output Column Name Column Type Description
Score Single The unbounded score that was predicted by the model.

Trainer Characteristics

機械学習タスク 回帰
正規化は必要ですか? いいえ
キャッシュは必要ですか? いいえ
Microsoft NuGetに必要な情報。ML マイクロソフト。ML。FastTree
ONNX にエクスポート可能 はい

Training Algorithm Details

FastTree is an efficient implementation of the MART gradient boosting algorithm. Gradient boosting is a machine learning technique for regression problems. It builds each regression tree in a step-wise fashion, using a predefined loss function to measure the error for each step and corrects for it in the next. So this prediction model is actually an ensemble of weaker prediction models. In regression problems, boosting builds a series of such trees in a step-wise fashion and then selects the optimal tree using an arbitrary differentiable loss function.

MART learns an ensemble of regression trees, which is a decision tree with scalar values in its leaves. A decision (or regression) tree is a binary tree-like flow chart, where at each interior node one decides which of the two child nodes to continue to based on one of the feature values from the input. At each leaf node, a value is returned. In the interior nodes, the decision is based on the test x <= v where x is the value of the feature in the input sample and v is one of the possible values of this feature. The functions that can be produced by a regression tree are all the piece-wise constant functions.

The ensemble of trees is produced by computing, in each step, a regression tree that approximates the gradient of the loss function, and adding it to the previous tree with coefficients that minimize the loss of the new tree. The output of the ensemble produced by MART on a given instance is the sum of the tree outputs.

  • In case of a binary classification problem, the output is converted to a probability by using some form of calibration.
  • In case of a regression problem, the output is the predicted value of the function.
  • In case of a ranking problem, the instances are ordered by the output value of the ensemble.

For more information see:

Check the See Also section for links to examples of the usage.




(継承元 TrainerEstimatorBase<TTransformer,TModel>)

順位付けトレーナーが想定している省略可能な groupID 列。

(継承元 TrainerEstimatorBaseWithGroupId<TTransformer,TModel>)

トレーナーが想定するラベル列。 Nullにすることができます。これは、ラベルがトレーニングに使用されないことを示します。

(継承元 TrainerEstimatorBase<TTransformer,TModel>)

トレーナーが想定する重み列。 Nullにすることができます。これは、重みがトレーニングに使用されないことを示します。

(継承元 TrainerEstimatorBase<TTransformer,TModel>)


Info (継承元 FastTreeTrainerBase<TOptions,TTransformer,TModel>)



をトレーニングし、を返し ITransformer ます。

(継承元 TrainerEstimatorBase<TTransformer,TModel>)
Fit(IDataView, IDataView)

トレーニング データと FastTreeRegressionTrainer 検証データの両方を使用して をトレーニングし、 を返します RegressionPredictionTransformer<TModel>

GetOutputSchema(SchemaShape) (継承元 TrainerEstimatorBase<TTransformer,TModel>)


AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

"キャッシュチェックポイント" を推定チェーンに追加します。 これにより、ダウンストリームの estimators がキャッシュされたデータに対してトレーニングされます。 複数のデータパスを使用する場合は、トレーナーの前にキャッシュチェックポイントを用意することをお勧めします。

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

推定値を指定した場合は、が呼び出された後にデリゲートを呼び出すラップオブジェクトを返し Fit(IDataView) ます。 多くの場合、推定によってどのような情報が返されるかについての情報を返すことが重要です。これは、メソッドが、 Fit(IDataView) 単純なだけではなく、明示的に型指定されたオブジェクトを返すためです ITransformer 。 同時に、多くのオブジェクトを IEstimator<TTransformer> 含むパイプラインには、多くの場合、estimators のチェーンを構築することが必要になる場合があり EstimatorChain<TLastTransformer> ます。この場合、トランスフォーマーを取得する対象の推定は、このチェーンのどこかに埋もれています。 このシナリオでは、このメソッドを使用して、fit が呼び出されたときに呼び出されるデリゲートをアタッチできます。