LightGbmRegressionTrainer Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Pour IEstimator<TTransformer> entraîner un modèle de régression d’arbre de décision optimisé à l’aide de LightGBM.
public sealed class LightGbmRegressionTrainer : Microsoft.ML.Trainers.LightGbm.LightGbmTrainerBase<Microsoft.ML.Trainers.LightGbm.LightGbmRegressionTrainer.Options,float,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.LightGbm.LightGbmRegressionModelParameters>,Microsoft.ML.Trainers.LightGbm.LightGbmRegressionModelParameters>type LightGbmRegressionTrainer = class
inherit LightGbmTrainerBase<LightGbmRegressionTrainer.Options, single, RegressionPredictionTransformer<LightGbmRegressionModelParameters>, LightGbmRegressionModelParameters>Public NotInheritable Class LightGbmRegressionTrainer
Inherits LightGbmTrainerBase(Of LightGbmRegressionTrainer.Options, Single, RegressionPredictionTransformer(Of LightGbmRegressionModelParameters), LightGbmRegressionModelParameters)- Héritage
Remarques
Pour créer ce formateur, utilisez LightGbm ou LightGbm(Options).
Colonnes d’entrée et de sortie
Les données de la colonne d’étiquettes d’entrée doivent être Single. Les données de colonne des caractéristiques d’entrée doivent être un vecteur de taille connue de Single.
Ce formateur génère les colonnes suivantes :
| Nom de colonne de sortie | Type de colonne | Description |
|---|---|---|
Score |
Single | Score non lié prédit par le modèle. |
Caractéristiques de l’entraîneur
| Tâche d’apprentissage automatique | régression ; |
| La normalisation est-elle nécessaire ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.LightGbm |
| Exportable vers ONNX | Oui |
Détails de l’algorithme d’apprentissage
LightGBM est une implémentation open source de l’arbre de décision de renforcement de dégradé. Pour plus d’informations sur l’implémentation, consultez la documentation officielle de LightGBM ou ce document.
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
Champs
| FeatureColumn |
Colonne de caractéristique attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Colonne groupID facultative attendue par les formateurs de classement. (Hérité de TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Colonne d’étiquette attendue par l’entraîneur. Peut être |
| WeightColumn |
Colonne de poids attendue par l’entraîneur. Peut être |
Propriétés
| Info |
Pour IEstimator<TTransformer> entraîner un modèle de régression d’arbre de décision optimisé à l’aide de LightGBM. (Hérité de LightGbmTrainerBase<TOptions,TOutput,TTransformer,TModel>) |
Méthodes
| Fit(IDataView, IDataView) |
Effectue l’apprentissage d’une utilisation à la fois des données d’entraînement LightGbmRegressionTrainer et de validation, retourne un RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> entraîner un modèle de régression d’arbre de décision optimisé à l’aide de LightGBM. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
Méthodes d’extension
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Étant donné un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important qu’un estimateur retourne des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets. Nous pouvons donc avoir besoin de créer une chaîne d’estimateurs par EstimatorChain<TLastTransformer> le biais de laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |