FastTreeRegressionTrainer 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.
Pro IEstimator<TTransformer> trénování regresního modelu rozhodovacího stromu pomocí FastTree.
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)- Dědičnost
Poznámky
Chcete-li vytvořit tohoto trenéra, použijte FastTree nebo FastTree(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
FastTree je efektivní implementace algoritmu pro zvýšení přechodu MART . Zvýšení přechodu je technika strojového učení pro regresní problémy. Vytvoří každý regresní strom v podrobném měřítku pomocí předdefinované funkce ztráty k měření chyby pro každý krok a opraví ho v dalším kroku. Takže tento prediktivní model je ve skutečnosti soubor slabších prediktivních modelů. V regresních problémech vytváří zvýšení řady takových stromů krokově moudrým způsobem a pak vybere optimální strom pomocí libovolné odlišitelné ztrátové funkce.
MART se učí soubor regresních stromů, což je rozhodovací strom se skalárními hodnotami v jeho listech. Rozhodovací strom (nebo regrese) je binární vývojový graf podobný binárnímu stromu, kde se na každém vnitřním uzlu rozhodne, který ze dvou podřízených uzlů bude pokračovat na základě jedné z hodnot funkcí ze vstupu. Na každém uzlu listu se vrátí hodnota. V vnitřních uzlech je rozhodnutí založeno na testu x <= v, kde x je hodnota funkce ve vstupní ukázce a v je jednou z možných hodnot této funkce. Funkce, které lze vytvořit regresním stromem, jsou všechny konstantní funkce pro kusy.
Soubor stromů se vytváří výpočtem, v každém kroku regresní strom, který přibližuje přechod funkce ztráty a přidá ho do předchozího stromu s koeficienty, které minimalizují ztrátu nového stromu. Výstupem souboru vytvořeného MART v dané instanci je součet výstupů stromu.
- V případě problému s binární klasifikací se výstup převede na pravděpodobnost pomocí určité formy kalibrace.
- V případě problému regrese je výstup predikovanou hodnotou funkce.
- V případě problému s řazením jsou instance seřazeny podle výstupní hodnoty souboru.
Další informace najdete tady:
- Wikipedie: Zvýšení přechodu (zvýšení přechodového stromu).
- Aproximace greedy funkce: přechodový posilovací stroj.
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 |
Pro IEstimator<TTransformer> trénování regresního modelu rozhodovacího stromu pomocí FastTree. (Zděděno od FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Metody
| Fit(IDataView, IDataView) |
FastTreeRegressionTrainer Trénování pomocí trénovacích i ověřovacích dat vrátí RegressionPredictionTransformer<TModel>hodnotu . |
| Fit(IDataView) |
Vlaky a vrátí ITransformerhodnotu . (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pro IEstimator<TTransformer> trénování regresního modelu rozhodovacího stromu pomocí FastTree. (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. |