FastTreeBinaryTrainer.Options Clase

Cree un nuevo FastTreeBinaryTrainer.Options objeto con valores predeterminados.

Cuando una división raíz es imposible, permita que el entrenamiento continúe.

Porcentaje de ejemplos de entrenamiento usados en cada bolsa. El valor predeterminado es 0,7 (70%).

Número de árboles de cada bolsa (0 para deshabilitar el etiquetado).

Opción para usar los mejores árboles de pasos de regresión.

Sesgo para calcular el degradado de cada intervalo de características para una característica de categorías.

Agrupación de cubos de población bajos. Bundle.None(0): sin agrupación, Bundle.AggregateLowPopulation(1): Agrupación baja de población, Bundle.Adjacent(2): agrupación de población baja vecina.

Si se va a dividir en función de varios valores de características de categorías.

Comprima el conjunto de árboles.

Si se debe utilizar el disco o las instalaciones nativas de transposición de los datos (si procede) al realizar la transposición.

Tasa de eliminación para la regularización de árboles.

Habilite la eliminación del árbol posterior al entrenamiento para evitar el sobreajuste. Requiere un conjunto de validación.

Coeficiente de entropía (regularización) entre 0 y 1.

Columna que se va a usar, por ejemplo, peso.

Desglose del tiempo de ejecución de impresión en ML.NET canal.

Columna que se va a usar para las características.

La característica usa primero el coeficiente de penalización.

Si se recopilan características durante la preparación del conjunto de datos para acelerar el entrenamiento.

Fracción de características (elegidas aleatoriamente) que se van a usar en cada iteración. Use 0.9 si solo se necesitan 90% de características. Los números más bajos ayudan a reducir el sobreajuste.

Fracción de características (elegidas aleatoriamente) que se usarán en cada división. Si el valor es 0,9, 90% de todas las características se descartaría en expectativa.

Coeficiente de penalización (regularización) de la característica.

Inicialización de la selección de características activa.

Filtre cero expresiones lambda durante el entrenamiento.

El ajuste de árbol obtiene un requisito de confianza. Solo considere una ganancia si su probabilidad frente a una ganancia de elección aleatoria está por encima de este valor.

Muestree cada consulta 1 en k veces en la función GetDerivatives.

Número de histogramas en el grupo (entre 2 y numLeaves).

Columna que se va a usar para las etiquetas.

Velocidad de aprendizaje.

Número máximo de valores distintos (intervalos) por característica.

Número máximo de grupos divididos por categorías que se deben tener en cuenta al dividir en una característica de categorías. Los grupos divididos son una colección de puntos divididos. Esto se usa para reducir el sobreajuste cuando hay muchas características categóricas.

Máximo de puntos de división de categorías que se deben tener en cuenta al dividir en una característica de categorías.

Número de pasos de búsqueda de línea entre corchetes.

Límite superior en el valor absoluto de salida de árbol único.

Imprima estadísticas de memoria en ML.NET canal.

Número mínimo de puntos de datos necesarios para formar una hoja de árbol nueva.

Porcentaje mínimo de ejemplo de categorías en un contenedor que se debe tener en cuenta para una división. El valor predeterminado es 0.1% de todos los ejemplos de entrenamiento.

Recuento mínimo de ejemplos de categorías en un contenedor que se debe tener en cuenta para una división.

Tamaño mínimo del paso de búsqueda de líneas.

Número máximo de hojas en cada árbol de regresión.

Número de subprocesos que se van a usar.

Número total de árboles de decisión que se van a crear en el conjunto.

Algoritmo de optimización que se va a usar.

Umbral de tolerancia para la eliminación.

Tamaño de ventana móvil para la eliminación.

El entrenamiento comienza a partir del orden aleatorio (determinado por /r1).

Columna que se va a usar por ejemplo groupId.

Inicialización del generador de números aleatorios.

Reducción.

Parámetro de suavizado para la regularización de árboles.

Temperatura de la distribución softmax aleatoria para elegir la característica.

Nivel de dispersidad necesario para usar la representación dispersa de características.

Calcule los valores de métricas para entrenar, validar o probar cada k rounds.

Si se deben usar derivados optimizados para datos de entrenamiento desequilibrados.

Determina si se va a usar la búsqueda de líneas para un tamaño de paso.

Use la ventana y la tolerancia para la eliminación.

Escriba el último conjunto en lugar del determinado por la detención temprana.

Métricas de detención temprana.

Regla de detención temprana que se usa para finalizar el proceso de entrenamiento una vez que se cumple un criterio especificado. Las opciones posibles son EarlyStoppingRuleBaselas implementaciones de , como TolerantEarlyStoppingRule y GeneralityLossRule.

Opciones para como FastTreeBinaryTrainer se usa en FastTree(Options).