TreeExtensions 類別

定義

命名空間:

Microsoft.ML

組件:

Microsoft.ML.FastTree.dll

套件:

Microsoft.ML.FastTree v3.0.1

、 BinaryClassificationCatalog 、 MulticlassClassificationCatalog 、 RankingCatalog 和 TransformsCatalog 用來 RegressionCatalog 建立決策樹定型器和特徵化工具實例的擴充方法集合。

public static class TreeExtensions

type TreeExtensions = class

Public Module TreeExtensions

繼承

Object

TreeExtensions

方法

FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, FastForestBinaryTrainer+Options)	FastForestBinaryTrainer使用進階選項建立 ，以使用決策樹回歸模型預測目標。
FastForest(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32)	建立 FastForestBinaryTrainer ，其會使用決策樹回歸模型預測目標。
FastForest(RegressionCatalog+RegressionTrainers, FastForestRegressionTrainer+Options)	FastForestRegressionTrainer使用進階選項建立 ，以使用決策樹回歸模型預測目標。
FastForest(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32)	建立 FastForestRegressionTrainer ，其會使用決策樹回歸模型預測目標。
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, FastTreeBinaryTrainer+Options)	FastTreeBinaryTrainer使用進階選項建立 ，其會使用決策樹二進位分類模型來預測目標。
FastTree(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Int32, Double)	建立 FastTreeBinaryTrainer ，其會使用決策樹二元分類模型來預測目標。
FastTree(RankingCatalog+RankingTrainers, FastTreeRankingTrainer+Options)	FastTreeRankingTrainer使用決策樹排名模型，建立具有進階選項的 ，以根據輸入的相關性來排名一系列輸入。
FastTree(RankingCatalog+RankingTrainers, String, String, String, String, Int32, Int32, Int32, Double)	使用 FastTreeRankingTrainer 決策樹排名模型，建立一系列輸入的排名依據其相關性。
FastTree(RegressionCatalog+RegressionTrainers, FastTreeRegressionTrainer+Options)	FastTreeRegressionTrainer使用進階選項建立 ，以使用決策樹回歸模型預測目標。
FastTree(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32, Double)	建立 FastTreeRegressionTrainer ，其會使用決策樹回歸模型預測目標。
FastTreeTweedie(RegressionCatalog+RegressionTrainers, FastTreeTweedieTrainer+Options)	FastTreeTweedieTrainer使用進階選項建立，以使用決策樹回歸模型預測目標。
FastTreeTweedie(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Int32, Double)	建立 FastTreeTweedieTrainer ，其會使用決策樹回歸模型預測目標。
FeaturizeByFastForestBinary(TransformsCatalog, FastForestBinaryFeaturizationEstimator+Options)	建立 FastForestBinaryFeaturizationEstimator ，用來 FastForestBinaryTrainer 定型 TreeEnsembleModelParameters 以建立樹狀結構型功能。
FeaturizeByFastForestRegression(TransformsCatalog, FastForestRegressionFeaturizationEstimator+Options)	建立 FastForestRegressionFeaturizationEstimator ，用來 FastForestRegressionTrainer 定型 TreeEnsembleModelParameters 以建立樹狀結構型功能。
FeaturizeByFastTreeBinary(TransformsCatalog, FastTreeBinaryFeaturizationEstimator+Options)	建立 FastTreeBinaryFeaturizationEstimator ，用來 FastTreeBinaryTrainer 定型 TreeEnsembleModelParameters 以建立樹狀結構型功能。
FeaturizeByFastTreeRanking(TransformsCatalog, FastTreeRankingFeaturizationEstimator+Options)	建立 FastTreeRankingFeaturizationEstimator ，用來 FastTreeRankingTrainer 定型 TreeEnsembleModelParameters 以建立樹狀結構型功能。
FeaturizeByFastTreeRegression(TransformsCatalog, FastTreeRegressionFeaturizationEstimator+Options)	建立 FastTreeRegressionFeaturizationEstimator ，用來 FastTreeRegressionTrainer 定型 TreeEnsembleModelParameters 以建立樹狀結構型功能。
FeaturizeByFastTreeTweedie(TransformsCatalog, FastTreeTweedieFeaturizationEstimator+Options)	建立 FastTreeTweedieFeaturizationEstimator ，用來 FastTreeTweedieTrainer 定型 TreeEnsembleModelParameters 以建立樹狀結構型功能。
FeaturizeByPretrainTreeEnsemble(TransformsCatalog, PretrainedTreeFeaturizationEstimator+Options)	建立 PretrainedTreeFeaturizationEstimator ，其會產生給定 TreeEnsembleModelParameters 的樹狀結構型功能。
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, GamBinaryTrainer+Options)	GamBinaryTrainer使用進階選項建立，其會使用一般化加法模型來預測目標， (GAM) 。
Gam(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Double)	建立 GamBinaryTrainer ，其會使用一般化加法模型來預測目標， (GAM) 。
Gam(RegressionCatalog+RegressionTrainers, GamRegressionTrainer+Options)	GamRegressionTrainer使用進階選項建立，其會使用一般化加法模型來預測目標， (GAM) 。
Gam(RegressionCatalog+RegressionTrainers, String, String, String, Int32, Int32, Double)	建立 GamRegressionTrainer ，其會使用一般化加法模型來預測目標， (GAM) 。