TreeExtensions 类

定义

命名空间:

Microsoft.ML

程序集:

Microsoft.ML.FastTree.dll

包:

Microsoft.ML.FastTree v2.0.0

用于创建决策树训练器和特征器的实例的扩展方法RegressionCatalogRankingCatalogBinaryClassificationCatalogMulticlassClassificationCatalogTransformsCatalog集合。

public static class TreeExtensions

type TreeExtensions = class

Public Module TreeExtensions

继承

Object

TreeExtensions

方法

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)	使用高级选项创建 FastForestBinaryTrainer ，该选项使用决策树回归模型预测目标。
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)	创建 FastForestBinaryTrainer，它使用决策树回归模型预测目标。
FastForest(RegressionCatalog+RegressionTrainers, FastForestRegressionTrainer+Options)	使用高级选项创建 FastForestRegressionTrainer ，该选项使用决策树回归模型预测目标。
FastForest(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32)	创建 FastForestRegressionTrainer，它使用决策树回归模型预测目标。
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)	使用高级选项创建 FastTreeBinaryTrainer ，该选项使用决策树二元分类模型预测目标。
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)	创建 FastTreeBinaryTrainer，它使用决策树二元分类模型预测目标。
FastTree(RankingCatalog+RankingTrainers, FastTreeRankingTrainer+Options)	使用决策树排名模型创建一个 FastTreeRankingTrainer 具有高级选项的高级选项，根据输入的相关性对一系列输入进行排名。
FastTree(RankingCatalog+RankingTrainers, String, String, String, String, Int32, Int32, Int32, Double)	使用决策树排名模型创建一 FastTreeRankingTrainer个基于其相关性对一系列输入进行排名。
FastTree(RegressionCatalog+RegressionTrainers, FastTreeRegressionTrainer+Options)	使用高级选项创建 FastTreeRegressionTrainer ，该选项使用决策树回归模型预测目标。
FastTree(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32, Double)	创建 FastTreeRegressionTrainer，它使用决策树回归模型预测目标。
FastTreeTweedie(RegressionCatalog+RegressionTrainers, FastTreeTweedieTrainer+Options)	使用高级选项创建 FastTreeTweedieTrainer ，该选项使用决策树回归模型预测目标。
FastTreeTweedie(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32, Double)	创建 FastTreeTweedieTrainer，它使用决策树回归模型预测目标。
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	Create FastForestBinaryFeaturizationEstimator，用于 FastForestBinaryTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	Create FastForestRegressionFeaturizationEstimator，用于 FastForestRegressionTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	Create FastTreeBinaryFeaturizationEstimator，用于 FastTreeBinaryTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	Create FastTreeRankingFeaturizationEstimator，用于 FastTreeRankingTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	Create FastTreeRegressionFeaturizationEstimator，用于 FastTreeRegressionTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	Create FastTreeTweedieFeaturizationEstimator，用于 FastTreeTweedieTrainer 训练 TreeEnsembleModelParameters 创建基于树的功能。
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	创建 PretrainedTreeFeaturizationEstimator，它生成给定的 TreeEnsembleModelParameters基于树的特征。
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)	使用高级选项创建 GamBinaryTrainer ，该选项使用通用累加模型 (GAM) 预测目标。
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)	创建 GamBinaryTrainer，它使用通用累加模型 (GAM) 预测目标。
Gam(RegressionCatalog+RegressionTrainers, GamRegressionTrainer+Options)	使用高级选项创建 GamRegressionTrainer ，该选项使用通用累加模型 (GAM) 预测目标。
Gam(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Double)	创建 GamRegressionTrainer，它使用通用累加模型 (GAM) 预测目标。