TreeEnsembleModelParametersBasedOnQuantileRegressionTree Klasse

Ein Ensemble von Bäumen, die benutzern ausgesetzt sind. Es ist ein Wrapper auf dem internalMicrosoft.ML.Trainers.FastTree.InternalTreeEnsemble In TreeEnsemble<T>.

Erhalten Sie die kumulativen Split-Gewinne für jedes Feature über alle Bäume hinweg.

Wird verwendet, um den Beitrag der einzelnen Features zur Bewertung eines Beispiels zu bestimmen.FeatureContributionCalculatingTransformer Die Berechnung des Featurebeitrags besteht im Wesentlichen darin, zu bestimmen, welche Aufteilungen in der Struktur die meisten Auswirkungen auf die Endbewertung haben und den Wert der Auswirkung den Features zuweisen, die die Aufteilung bestimmen. Genauer gesagt ist der Beitrag eines Features gleich der Änderung der Bewertung, die durch Untersuchen der entgegengesetzten Unterstruktur bei jedem Auftreten eines Entscheidungsknotens für das angegebene Feature erzeugt wird. Betrachten Sie einen einfachen Fall mit einer einzelnen Entscheidungsstruktur, die über einen Entscheidungsknoten für das binäre Feature F1 verfügt. Bei einem Beispiel mit dem Feature F1 gleich "true" können wir die Bewertung berechnen, die sie erhalten hätte, wenn wir die Unterstruktur ausgewählt haben, die dem Feature F1 entspricht, wobei die anderen Features konstant bleiben. Der Beitrag von Feature F1 für das angegebene Beispiel ist der Unterschied zwischen dem ursprünglichen Score und dem Ergebnis, der durch die entgegengesetzte Entscheidung am Knoten abgerufen wird, der dem Feature F1 entspricht. Dieser Algorithmus erstreckt sich natürlich auf Modelle mit vielen Entscheidungsbäumen.

TreeEnsembleModelParametersBasedOnQuantileRegressionTree wird aus TreeEnsembleModelParameters einem stark typierten öffentlichen Attribut abgeleitet, TrainedTreeEnsembleum die Details des trainierten Modells für Benutzer verfügbar zu machen. Seine Funktion, Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnQuantileRegressionTree.CreateTreeEnsembleFromInternalDataStructurewird aufgerufen, um innerhalb TreeEnsembleModelParameterszu erstellenTrainedTreeEnsemble. Beachten Sie, dass der Hauptunterschied zwischen TreeEnsembleModelParametersBasedOnQuantileRegressionTree und TreeEnsembleModelParametersBasedOnRegressionTree ist der Typ von TrainedTreeEnsemble.