FastForestRegressionFeaturizationEstimator Clase
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
para IEstimator<TTransformer> transformar el vector de características de entrada en características basadas en árboles.
public sealed class FastForestRegressionFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBasetype FastForestRegressionFeaturizationEstimator = class
inherit TreeEnsembleFeaturizationEstimatorBasePublic NotInheritable Class FastForestRegressionFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase- Herencia
Comentarios
Columnas de entrada y salida
Los datos de la columna de etiqueta de entrada deben ser Single. Los datos de columna de características de entrada deben ser un vector conocido de Single.
Este estimador genera las columnas siguientes:
| Nombre de columna de salida | Tipo de columna | Description |
|---|---|---|
Trees |
Vector de tamaño conocido de Single | Valores de salida de todos los árboles. Su tamaño es idéntico al número total de árboles del modelo de conjunto de árboles. |
Leaves |
Vector de tamaño conocido de Single | Representación vectorial 0-1 en los identificadores de todas las hojas en las que entra el vector de característica de entrada. Su tamaño es el número de hojas totales en el modelo de conjunto de árboles. |
Paths |
Vector de tamaño conocido de Single | Representación vectorial de 0 a 1 en las rutas de acceso que el vector de característica de entrada pasó para llegar a las hojas. Su tamaño es el número de nodos no hoja en el modelo de conjunto de árboles. |
Esas columnas de salida son opcionales y el usuario puede cambiar sus nombres. Establezca los nombres de las columnas omitidas en NULL para que no se produzcan.
Detalles de predicción
Este estimador genera varias columnas de salida a partir de un modelo de conjunto de árboles. Supongamos que el modelo contiene solo un árbol de decisión:
Node 0
/ \
/ \
/ \
/ \
Node 1 Node 2
/ \ / \
/ \ / \
/ \ Leaf -3 Node 3
Leaf -1 Leaf -2 / \
/ \
Leaf -4 Leaf -5
Supongamos que el vector de característica de entrada entra en Leaf -1. La salida Trees puede ser un vector de 1 elemento donde el único valor es el valor de decisión llevado por Leaf -1. La salida Leaves es un vector de 0 a 1. Si la hoja alcanzada es la $i$-th (indizada por $-(i+1)$ por lo que la primera hoja es Leaf -1) hoja en el árbol, el valor de $i$-th en Leaves sería 1 y todos los demás valores serían 0. La salida Paths es una representación de 0 a 1 de los nodos pasados antes de alcanzar la hoja. El elemento $i$-th de Paths indica si se toca el nodo $i$-th (indexado por $i$).
Por ejemplo, llegar Leaf -1 a $[1, 1, 0, 0]$ como Paths. Si hay varios árboles, este estimador simplemente concatena los de LeavesPathstodos los árboles Trees(la información del primer árbol se incluye primero en los vectores concatenados).
Consulte la sección Ver también para obtener vínculos a ejemplos de uso.
Métodos
| Nombre | Description |
|---|---|
| Fit(IDataView) |
Genera un objeto TreeEnsembleModelParameters que asigna la columna a la que se llama InputColumnName en |
| GetOutputSchema(SchemaShape) |
PretrainedTreeFeaturizationEstimator agrega tres columnas de vector flotante a |
Métodos de extensión
| Nombre | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de nivel inferior se entrenarán con los datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) que se llame. A menudo, es importante que un estimador devuelva información sobre lo que se ha ajustado, por lo que el Fit(IDataView) método devuelve un objeto específicamente tipado, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador está enterrado en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit. |