FastTreeBinaryFeaturizationEstimator Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Trainers.FastTree

Zestaw:

Microsoft.ML.FastTree.dll

Pakiet:

Microsoft.ML.FastTree v2.0.0

Element IEstimator<TTransformer> umożliwiający przekształcenie wektora cech wejściowych na funkcje oparte na drzewie.

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

type FastTreeBinaryFeaturizationEstimator = class
    inherit TreeEnsembleFeaturizationEstimatorBase

Public NotInheritable Class FastTreeBinaryFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase

Dziedziczenie

Object

TreeEnsembleFeaturizationEstimatorBase

FastTreeBinaryFeaturizationEstimator

Uwagi

Kolumny wejściowe i wyjściowe

Dane kolumny etykiety wejściowej muszą mieć wartość Boolean. Dane kolumn danych wejściowych muszą być znanym wektorem o rozmiarze Single.

Ten narzędzie do szacowania generuje następujące kolumny:

Nazwa kolumny wyjściowej	Typ kolumny	Opis
Trees	Znany wektor wielkości Single	Wartości wyjściowe wszystkich drzew. Jego rozmiar jest identyczny z całkowitą liczbą drzew w modelu zespołu drzewa.
Leaves	Znany wektor wielkości Single	Reprezentacja 0–1 wektora do identyfikatorów wszystkich liści, w których wchodzi wektor cech wejściowych. Jego rozmiar jest liczbą całkowitych liści w modelu zespołu drzewa.
Paths	Znany wektor wielkości Single	Reprezentacja 0–1 wektora do ścieżek wektora funkcji wejściowej przekazywanego w celu dotarcia do liści. Jego rozmiar to liczba węzłów innych niż liści w modelu zespołu drzewa.

Te kolumny wyjściowe są opcjonalne, a użytkownik może zmienić ich nazwy. Ustaw nazwy pominiętych kolumn na null, aby nie były generowane.

Szczegóły przewidywania

Ten narzędzie do szacowania generuje kilka kolumn wyjściowych z modelu zespołu drzewa. Załóżmy, że model zawiera tylko jedno drzewo decyzyjne:

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

Załóżmy, że wektor funkcji wejściowej mieści się w obiekcie Leaf -1. Dane wyjściowe Trees mogą być wektorem 1-elementowym, gdzie jedyną wartością jest wartość decyzyjna przenoszona przez Leaf -1element . Dane wyjściowe Leaves są wektorem 0–1. Jeśli osiągnięto liść jest $i$-th (indeksowany przez $-(i+1)$, więc pierwszy liść to Leaf -1) liść w drzewie, $i$-th wartość będzie Leaves wynosić 1, a wszystkie inne wartości to 0. Dane wyjściowe Paths to reprezentacja 0–1 węzłów przekazywanych przed dotarciem do liścia. Element $i$-th w Paths pliku wskazuje, czy $i$-ta węzeł (indeksowany przez $i$) jest dotykany. Na przykład osiągnięcie Leaf -1 potencjalnych klientów do wartości $[1, 1, 0, 0]$ jako .Paths Jeśli istnieje wiele drzew, ten narzędzie do szacowania po Treesprostu łączy "s", LeavesPaths"s, ze wszystkich drzew (informacje pierwszego drzewa są najpierw w połączonych wektorach).

Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.

Metody

Fit(IDataView)	Utwórz element, który mapuje kolumnę TreeEnsembleModelParameters o nazwie InputColumnName w input do trzech kolumn wyjściowych. (Odziedziczone po TreeEnsembleFeaturizationEstimatorBase)
GetOutputSchema(SchemaShape)	PretrainedTreeFeaturizationEstimator Dodaje trzy kolumny wektorów zmiennoprzecinkowych do inputSchemaelementu . Biorąc pod uwagę kolumnę wektora cech, dodane kolumny są wartościami przewidywania wszystkich drzew, identyfikatorami liści, do których należy wektor funkcji, oraz ścieżkami do tych liści. (Odziedziczone po TreeEnsembleFeaturizationEstimatorBase)

Metody rozszerzania

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

Dołącz "punkt kontrolny buforowania" do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane pod kątem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych.

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

Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który będzie wywoływać delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólny ITransformerelement . Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania, za pośrednictwem EstimatorChain<TLastTransformer> którego narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania.

Zobacz też

• FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)