FastForestOptionsBase 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.
Базовый класс для параметров быстрого обучения леса.
public abstract class FastForestOptionsBase : Microsoft.ML.Trainers.FastTree.TreeOptionstype FastForestOptionsBase = class
inherit TreeOptionsPublic MustInherit Class FastForestOptionsBase
Inherits TreeOptions- Наследование
- Производный
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) |
| 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) |
| 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) |
| 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) |
| HistogramPoolSize |
Количество гистограмм в пуле (от 2 до numLeaves). (Унаследовано от TreeOptions) |
| LabelColumnName |
Столбец, используемый для меток. (Унаследовано от TrainerInputBaseWithLabel) |
| 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) |
| 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) |
| NumberOfLeaves |
Максимальное количество листьев в каждом дереве регрессии. (Унаследовано от TreeOptions) |
| NumberOfQuantileSamples |
Количество точек данных для выборки из каждого конечного элемента для поиска распределения меток. |
| NumberOfThreads |
Количество потоков для использования. (Унаследовано от TreeOptions) |
| NumberOfTrees |
Общее количество деревьев принятия решений, создаваемых в ансамбле. (Унаследовано от TreeOptions) |
| RowGroupColumnName |
Столбец для использования, например groupId. (Унаследовано от TrainerInputBaseWithGroupId) |
| Seed |
Начальное значение генератора случайных чисел. (Унаследовано от TreeOptions) |
| 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) |