BoostedTreeOptions Класс
Определение
Важно!
Некоторые сведения относятся к предварительной версии продукта, в которую до выпуска могут быть внесены существенные изменения. Майкрософт не предоставляет никаких гарантий, явных или подразумеваемых, относительно приведенных здесь сведений.
Варианты повышения уровня древовидной подготовки.
public abstract class BoostedTreeOptions : Microsoft.ML.Trainers.FastTree.TreeOptionstype BoostedTreeOptions = class
inherit TreeOptionsPublic MustInherit Class BoostedTreeOptions
Inherits TreeOptions- Наследование
- Производный
Конструкторы
| BoostedTreeOptions() |
Варианты повышения уровня древовидной подготовки. |
Поля
| AllowEmptyTrees |
Если корневое разделение невозможно, разрешите продолжить обучение. (Унаследовано от TreeOptions) |
| BaggingExampleFraction |
Процент примеров обучения, используемых в каждой сумке. Значение по умолчанию — 0,7 (70 %). (Унаследовано от TreeOptions) |
| BaggingSize |
Количество деревьев в каждой сумке (0 для отключения мешка). (Унаследовано от TreeOptions) |
| BestStepRankingRegressionTrees |
Параметр для использования деревьев шагов наилучшей регрессии. |
| Bias |
Смещение для вычисления градиента для каждой ячейки признаков для категориального признака. (Унаследовано от TreeOptions) |
| Bundling |
Объединять ячейки с низкой численностью населения. Bundle.None(0): без объединения, Bundle.AggregateLowPopulation(1): низкая заполненность пакета, Bundle.Adjacent(2): набор с низким заполнением соседей. (Унаследовано от TreeOptions) |
| CategoricalSplit |
Следует ли выполнять разделение на основе нескольких категориальных значений признаков. (Унаследовано от TreeOptions) |
| CompressEnsemble |
Сожмите дерево Ensemble. (Унаследовано от TreeOptions) |
| DiskTranspose |
Следует ли использовать диск или собственные средства транспозиции данных (если это применимо) при выполнении транспонирования. (Унаследовано от TreeOptions) |
| DropoutRate |
Коэффициент отспада для регуляризации дерева. |
| EnablePruning |
Включите обрезку дерева после обучения, чтобы избежать переобучения. Для этого требуется проверочный набор. |
| EntropyCoefficient |
Коэффициент энтропии (регуляризации) от 0 до 1. (Унаследовано от TreeOptions) |
| ExampleWeightColumnName |
Столбец, используемый для примера веса. (Унаследовано от TrainerInputBaseWithWeight) |
| ExecutionTime |
Разбивка времени выполнения на печать в канале ML.NET. (Унаследовано от TreeOptions) |
| FeatureColumnName |
Столбец, используемый для функций. (Унаследовано от TrainerInputBase) |
| FeatureFirstUsePenalty |
Признак, который первым использует штрафной коэффициент. (Унаследовано от TreeOptions) |
| FeatureFlocks |
Следует ли выполнять коллективизацию признаков во время подготовки набора данных для ускорения обучения. (Унаследовано от TreeOptions) |
| FeatureFraction |
Доля признаков (выбранных случайным образом) для использования в каждой итерации. Используйте 0,9, если требуется только 90 % функций. Более низкие числа помогают уменьшить чрезмерное количество привязок. (Унаследовано от TreeOptions) |
| FeatureFractionPerSplit |
Доля признаков (выбранных случайным образом) для каждого разбиения. Если значение равно 0,9, 90 % всех функций будет отброшено бы в ожидании. (Унаследовано от TreeOptions) |
| FeatureReusePenalty |
Коэффициент повторного использования штрафа (регуляризации). (Унаследовано от TreeOptions) |
| FeatureSelectionSeed |
Начальное значение выбора активного компонента. (Унаследовано от TreeOptions) |
| FilterZeroLambdas |
Фильтрация нулевых лямбда-выражений во время обучения. |
| GainConfidenceLevel |
Требование к достоверности при установке деревьев. Учитывайте увеличение только в том случае, если его вероятность и случайный выигрыш при выборе выше этого значения. (Унаследовано от TreeOptions) |
| GetDerivativesSampleRate |
Выборка каждого запроса 1 в k в функции GetDerivatives. |
| HistogramPoolSize |
Количество гистограмм в пуле (от 2 до numLeaves). (Унаследовано от TreeOptions) |
| LabelColumnName |
Столбец, используемый для меток. (Унаследовано от TrainerInputBaseWithLabel) |
| LearningRate |
Скорость обучения. |
| MaximumBinCountPerFeature |
Максимальное число уникальных значений (интервалов) на признак. (Унаследовано от TreeOptions) |
| MaximumCategoricalGroupCountPerNode |
Максимальное количество категориальных групп разбиения, которые следует учитывать при разделении по категориальным признакам. Разделенные группы — это коллекция точек разбиения. Это используется для уменьшения переобучений при наличии большого количества категориальных признаков. (Унаследовано от TreeOptions) |
| MaximumCategoricalSplitPointCount |
Максимальное количество точек разделения категорий, которые следует учитывать при разделении по категориальным признакам. (Унаследовано от TreeOptions) |
| MaximumNumberOfLineSearchSteps |
Количество шагов поиска строки после скобки. |
| MaximumTreeOutput |
Верхняя граница абсолютного значения выходных данных с одним деревом. |
| MemoryStatistics |
Вывод статистики памяти в канал ML.NET. (Унаследовано от TreeOptions) |
| MinimumExampleCountPerLeaf |
Минимальное количество точек данных, необходимых для формирования нового листа дерева. (Унаследовано от TreeOptions) |
| MinimumExampleFractionForCategoricalSplit |
Минимальный процент категориального примера в ячейке, который следует учитывать для разделения. Значение по умолчанию — 0,1 % от всех примеров обучения. (Унаследовано от TreeOptions) |
| MinimumExamplesForCategoricalSplit |
Минимальное категориальное число примеров в ячейке, учитываемой для разделения. (Унаследовано от TreeOptions) |
| MinimumStepSize |
Минимальный размер шага поиска строк. |
| NumberOfLeaves |
Максимальное количество листьев в каждом дереве регрессии. (Унаследовано от TreeOptions) |
| NumberOfThreads |
Количество потоков для использования. (Унаследовано от TreeOptions) |
| NumberOfTrees |
Общее количество деревьев принятия решений, создаваемых в ансамбле. (Унаследовано от TreeOptions) |
| OptimizationAlgorithm |
Используемый алгоритм оптимизации. |
| PruningThreshold |
Пороговое значение допуска для обрезки. |
| PruningWindowSize |
Размер перемещаемого окна для обрезки. |
| RandomStart |
Обучение начинается со случайного упорядочения (определяется параметром /r1). |
| RowGroupColumnName |
Столбец для использования, например groupId. (Унаследовано от TrainerInputBaseWithGroupId) |
| Seed |
Начальное значение генератора случайных чисел. (Унаследовано от TreeOptions) |
| Shrinkage |
Усадки. |
| Smoothing |
Параметр Smoothing для регуляризации дерева. (Унаследовано от TreeOptions) |
| SoftmaxTemperature |
Температура случайного распределения softmax для выбора признака. (Унаследовано от TreeOptions) |
| SparsifyThreshold |
Уровень разреженности, необходимый для использования разреженного представления признаков. (Унаследовано от TreeOptions) |
| TestFrequency |
Вычислите значения метрик для обучения, допустимости и проверки каждого k раундов. (Унаследовано от TreeOptions) |
| UseLineSearch |
Определяет, следует ли использовать поиск строк для размера шага. |
| UseTolerantPruning |
Используйте окно и погрешность для обрезки. |
| WriteLastEnsemble |
Напишите последний ансамбль вместо того, который определяется ранней остановкой. |
Свойства
| EarlyStoppingRule |
Правило ранней остановки, используемое для завершения процесса обучения после выполнения указанного критерия. Возможные варианты реализации, EarlyStoppingRuleBaseтакие как TolerantEarlyStoppingRule и GeneralityLossRule. |