FastTreeRegressionTrainer.Options Classe

Définition

Espace de noms:

Microsoft.ML.Trainers.FastTree

Assembly:

Microsoft.ML.FastTree.dll

Paquet:

Microsoft.ML.FastTree v3.0.1

Options pour le FastTreeRegressionTrainer tel qu’utilisé dans FastTree(Options).

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

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

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

Héritage

Object

TrainerInputBase

TrainerInputBaseWithLabel

TrainerInputBaseWithWeight

TrainerInputBaseWithGroupId

TreeOptions

BoostedTreeOptions

FastTreeRegressionTrainer.Options

Implémente

IComponentFactory IComponentFactory<Microsoft.ML.ITrainer>

Constructeurs

FastTreeRegressionTrainer.Options()

Créez un FastTreeRegressionTrainer.Options objet avec des valeurs par défaut.

Champs

AllowEmptyTrees	Lorsqu’un fractionnement racine est impossible, autorisez l’entraînement à continuer. (Hérité de TreeOptions)
BaggingExampleFraction	Pourcentage d’exemples d’entraînement utilisés dans chaque sac. La valeur par défaut est 0,7 (70 %). (Hérité de TreeOptions)
BaggingSize	Nombre d’arborescences dans chaque sac (0 pour désactiver l’ensachage). (Hérité de TreeOptions)
BestStepRankingRegressionTrees	Option permettant d’utiliser les meilleures arborescences d’étapes de régression. (Hérité de BoostedTreeOptions)
Bias	Biais pour le calcul du gradient pour chaque compartiment de caractéristiques pour une fonctionnalité catégorielle. (Hérité de TreeOptions)
Bundling	Regrouper des bacs à faible population. Bundle.None(0) : aucun regroupement, Bundle.AggregateLowPopulation(1) : Bundle low population, Bundle.Adjacent(2) : lot de population faible voisin. (Hérité de TreeOptions)
CategoricalSplit	Indique s’il faut effectuer un fractionnement en fonction de plusieurs valeurs de caractéristiques catégorielles. (Hérité de TreeOptions)
CompressEnsemble	Compressez l’ensemble de l’arborescence. (Hérité de TreeOptions)
DiskTranspose	Indique s’il faut utiliser le disque ou les installations de transposition natives des données (le cas échéant) lors de l’exécution de la transpose. (Hérité de TreeOptions)
DropoutRate	Taux d’abandon pour la régularisation de l’arborescence. (Hérité de BoostedTreeOptions)
EnablePruning	Activez l’élagage de l’arborescence post-entraînement pour éviter le surajustement. Elle nécessite un jeu de validation. (Hérité de BoostedTreeOptions)
EntropyCoefficient	Coefficient d’entropie (régularisation) compris entre 0 et 1. (Hérité de TreeOptions)
ExampleWeightColumnName	Colonne à utiliser pour l’exemple de poids. (Hérité de TrainerInputBaseWithWeight)
ExecutionTime	Imprimer la répartition du temps d’exécution sur ML.NET canal. (Hérité de TreeOptions)
FeatureColumnName	Colonne à utiliser pour les fonctionnalités. (Hérité de TrainerInputBase)
FeatureFirstUsePenalty	La caractéristique utilise tout d’abord le coefficient de pénalité. (Hérité de TreeOptions)
FeatureFlocks	Indique s’il faut collecter des fonctionnalités pendant la préparation du jeu de données pour accélérer l’entraînement. (Hérité de TreeOptions)
FeatureFraction	Fraction de fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque itération. Utilisez 0,9 si seulement 90 % des fonctionnalités sont nécessaires. Des nombres inférieurs permettent de réduire le surajustement. (Hérité de TreeOptions)
FeatureFractionPerSplit	Fraction des fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque fractionnement. Si sa valeur est 0,9, 90 % de toutes les fonctionnalités seraient supprimées dans l’attente. (Hérité de TreeOptions)
FeatureReusePenalty	Coefficient de pénalité de réutilisation (régularisation) de la fonctionnalité. (Hérité de TreeOptions)
FeatureSelectionSeed	Valeur initiale de la sélection de fonctionnalité active. (Hérité de TreeOptions)
FilterZeroLambdas	Filtrez zéro lambda pendant l’entraînement. (Hérité de BoostedTreeOptions)
GainConfidenceLevel	L’ajustement d’arborescence gagne en confiance. Considérez un gain uniquement si sa probabilité par rapport à un gain de choix aléatoire est supérieure à cette valeur. (Hérité de TreeOptions)
GetDerivativesSampleRate	Échantillonner chaque requête 1 en k fois dans la fonction GetDerivatives. (Hérité de BoostedTreeOptions)
HistogramPoolSize	Nombre d’histogrammes dans le pool (entre 2 et numLeaves). (Hérité de TreeOptions)
LabelColumnName	Colonne à utiliser pour les étiquettes. (Hérité de TrainerInputBaseWithLabel)
LearningRate	Taux d’apprentissage. (Hérité de BoostedTreeOptions)
MaximumBinCountPerFeature	Nombre maximal de valeurs distinctes (emplacements) par caractéristique. (Hérité de TreeOptions)
MaximumCategoricalGroupCountPerNode	Nombre maximal de groupes de fractionnements catégoriels à prendre en compte lors du fractionnement sur une fonctionnalité catégorielle. Les groupes fractionnés sont une collection de points de fractionnement. Cela permet de réduire le surajustement lorsqu’il existe de nombreuses fonctionnalités catégorielles. (Hérité de TreeOptions)
MaximumCategoricalSplitPointCount	Nombre maximal de points de fractionnement catégoriels à prendre en compte lors du fractionnement sur une fonctionnalité catégorielle. (Hérité de TreeOptions)
MaximumNumberOfLineSearchSteps	Nombre d’étapes de recherche de ligne post-crochet. (Hérité de BoostedTreeOptions)
MaximumTreeOutput	Limite supérieure sur la valeur absolue de la sortie d’une seule arborescence. (Hérité de BoostedTreeOptions)
MemoryStatistics	Imprimer les statistiques de mémoire sur ML.NET canal. (Hérité de TreeOptions)
MinimumExampleCountPerLeaf	Nombre minimal de points de données requis pour former une nouvelle feuille d’arborescence. (Hérité de TreeOptions)
MinimumExampleFractionForCategoricalSplit	Pourcentage minimal d’exemples catégoriels dans un bac à prendre en compte pour un fractionnement. La valeur par défaut est de 0,1 % de tous les exemples d’entraînement. (Hérité de TreeOptions)
MinimumExamplesForCategoricalSplit	Nombre minimal d’exemples catégoriels dans un bac à prendre en compte pour un fractionnement. (Hérité de TreeOptions)
MinimumStepSize	Taille minimale de l’étape de recherche de ligne. (Hérité de BoostedTreeOptions)
NumberOfLeaves	Nombre maximal de feuilles dans chaque arborescence de régression. (Hérité de TreeOptions)
NumberOfThreads	Nombre de threads à utiliser. (Hérité de TreeOptions)
NumberOfTrees	Nombre total d’arbres de décision à créer dans l’ensemble. (Hérité de TreeOptions)
OptimizationAlgorithm	Algorithme d’optimisation à utiliser. (Hérité de BoostedTreeOptions)
PruningThreshold	Seuil de tolérance pour l’élagage. (Hérité de BoostedTreeOptions)
PruningWindowSize	Taille de la fenêtre mobile pour l’élagage. (Hérité de BoostedTreeOptions)
RandomStart	L’entraînement commence à partir d’un classement aléatoire (déterminé par /r1). (Hérité de BoostedTreeOptions)
RowGroupColumnName	Colonne à utiliser par exemple groupId. (Hérité de TrainerInputBaseWithGroupId)
Seed	Valeur initiale du générateur de nombres aléatoires. (Hérité de TreeOptions)
Shrinkage	Retrait. (Hérité de BoostedTreeOptions)
Smoothing	Paramètre de lissage pour la régularisation de l’arborescence. (Hérité de TreeOptions)
SoftmaxTemperature	Température de la distribution aléatoire softmax pour le choix de la fonctionnalité. (Hérité de TreeOptions)
SparsifyThreshold	Niveau d’éparse nécessaire pour utiliser la représentation des fonctionnalités éparses. (Hérité de TreeOptions)
TestFrequency	Calculez les valeurs de métriques pour l’apprentissage/la validité/le test chaque k rounds. (Hérité de TreeOptions)
UseLineSearch	Détermine s’il faut utiliser la recherche de ligne pour une taille d’étape. (Hérité de BoostedTreeOptions)
UseTolerantPruning	Utilisez la fenêtre et la tolérance pour l’élagage. (Hérité de BoostedTreeOptions)
WriteLastEnsemble	Écrivez le dernier ensemble au lieu de celui déterminé par l’arrêt précoce. (Hérité de BoostedTreeOptions)

Propriétés

EarlyStoppingMetric	Métriques d’arrêt précoces.
EarlyStoppingRule	Règle d’arrêt anticipée utilisée pour arrêter le processus d’entraînement une fois qu’il répond à un critère spécifié. Les choix possibles sont EarlyStoppingRuleBaseles implémentations de , telles que TolerantEarlyStoppingRule et GeneralityLossRule. (Hérité de BoostedTreeOptions)

Implémentations d’interfaces explicites

IComponentFactory<ITrainer>.CreateComponent(IHostEnvironment)

Options pour le FastTreeRegressionTrainer tel qu’utilisé dans FastTree(Options).