PretrainedTreeFeaturizationEstimator Třída

Definice

Obor názvů:

Microsoft.ML.Trainers.FastTree

Sestavení:

Microsoft.ML.FastTree.dll

Balíček:

Microsoft.ML.FastTree v2.0.0

Objekt, IEstimator<TTransformer> který obsahuje předem vytrénovaný TreeEnsembleModelParameters a zavolání, Fit(IDataView) vytvoří featurizátor založený na předem natrénovaného modelu.

public sealed class PretrainedTreeFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBase

type PretrainedTreeFeaturizationEstimator = class
    inherit TreeEnsembleFeaturizationEstimatorBase

Public NotInheritable Class PretrainedTreeFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase

Dědičnost

Object

TreeEnsembleFeaturizationEstimatorBase

PretrainedTreeFeaturizationEstimator

Poznámky

Vstupní a výstupní sloupce

Vstupní data sloupce popisku musí býtSingle. Data sloupce vstupních funkcí musí být vektoremSingle známé velikosti.

Tento estimátor vypíše následující sloupce:

Název výstupního sloupce	Typ sloupce	Description
Trees	Vektor zSingle	Výstupní hodnoty všech stromů.
Leaves	Vektor z Single	ID všech zůsadí, kam spadá vstupní vektor funkce.
Paths	Vektor z Single	Cesty, kterými vektor vstupní funkce prošel, aby se dostal k listům.

Všechny tyto výstupní sloupce jsou volitelné a uživatel může změnit jejich názvy. Nastavte názvy přeskočených sloupců na hodnotu null, aby se nevygenerovaly.

Podrobnosti o predikci

Tento odhad vytvoří několik výstupních sloupců z modelu souboru stromu. Předpokládejme, že model obsahuje pouze jeden rozhodovací strom:

               Node 0
               /    \
             /        \
           /            \
         /                \
       Node 1            Node 2
       /    \            /    \
     /        \        /        \
   /            \     Leaf -3  Node 3
  Leaf -1      Leaf -2         /    \
                             /        \
                            Leaf -4  Leaf -5

Předpokládejme, že vektor funkce vstupu spadá do Leaf -1. Výstupem Trees může být vektor s 1 prvky, kde jedinou hodnotou je rozhodovací hodnota přenášená nástrojem Leaf -1. Výstupem Leaves je vektor 0-1. Pokud je dosažený list $i$-th (indexovaný podle $-(i+1)$, takže první list je Leaf -1) list ve stromu, $i$-ta hodnota v Leaves hodnotě by byla 1 a všechny ostatní hodnoty by byly 0. Výstupem Paths je 0-1 reprezentace uzlů předaných před dosažením listu. Prvek $i$-th v Paths indikuje, jestli se dotkne $i$-ten uzel (indexovaný $i$). Například dosažení Leaf -1 potenciálního zákazníka na $[1; 1; 0; 0]$ jako Paths. Pokud existuje více stromů, tento odhadce pouze zřetězí Trees's Leaves, 's Paths' ze všech stromů (informace o prvním stromu jsou první ve zřetězených vektorech).

V části Viz také najdete odkazy na příklady použití.

Metody

Fit(IDataView)	Vytvoří , TreeEnsembleModelParameters který namapuje volaný InputColumnNameinput sloupec na tři výstupní sloupce. (Zděděno od TreeEnsembleFeaturizationEstimatorBase)
GetOutputSchema(SchemaShape)	PretrainedTreeFeaturizationEstimator přidá tři sloupce s plovoucím vektorem do inputSchema. Vzhledem k tomu, že je sloupec vektoru funkce, přidané sloupce představují hodnoty předpovědi všech stromů, ID listů, do kterých vektor funkce spadá, a cesty k těmto listům. (Zděděno od TreeEnsembleFeaturizationEstimatorBase)

Metody rozšíření

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

K řetězu estimátoru připojte kontrolní bod ukládání do mezipaměti. Tím se zajistí, že podřízené estimátory budou natrénovány na data uložená v mezipaměti. Je užitečné mít kontrolní bod pro ukládání do mezipaměti před školiteli, kteří mají více průchodů dat.

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

Vzhledem k estimátoru vrátí objekt obtékání, který bude volat delegáta, jakmile Fit(IDataView) je volána. Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací objekt s konkrétním typem, spíše než jen obecný ITransformerobjekt . Současně jsou však často tvořeny kanály s mnoha objekty, takže možná budeme muset vytvořit řetězec estimátorů prostřednictvím EstimatorChain<TLastTransformer> toho, IEstimator<TTransformer> kde je odhadce, pro který chceme získat transformátor, uložen někde v tomto řetězci. Pro tento scénář můžeme pomocí této metody připojit delegáta, který bude volána po zavolání fit.

Viz také

• FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)