FastForestBinaryTrainer Classe
Definizione
Importante
Alcune informazioni sono relative alla release non definitiva del prodotto, che potrebbe subire modifiche significative prima della release definitiva. Microsoft non riconosce alcuna garanzia, espressa o implicita, in merito alle informazioni qui fornite.
Oggetto IEstimator<TTransformer> per il training di un modello di classificazione binaria dell'albero delle decisioni tramite Fast Forest.
public sealed class FastForestBinaryTrainer : Microsoft.ML.Trainers.FastTree.RandomForestTrainerBase<Microsoft.ML.Trainers.FastTree.FastForestBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>,Microsoft.ML.Trainers.FastTree.FastForestBinaryModelParameters>type FastForestBinaryTrainer = class
inherit RandomForestTrainerBase<FastForestBinaryTrainer.Options, BinaryPredictionTransformer<FastForestBinaryModelParameters>, FastForestBinaryModelParameters>Public NotInheritable Class FastForestBinaryTrainer
Inherits RandomForestTrainerBase(Of FastForestBinaryTrainer.Options, BinaryPredictionTransformer(Of FastForestBinaryModelParameters), FastForestBinaryModelParameters)- Ereditarietà
Commenti
Per creare questo formatore, usa FastForest o FastForest (Options).To create this trainer, use FastForest or FastForest(Options).
Colonne di input e output
I dati della colonna dell'etichetta di input devono essere Boolean. Le caratteristiche di input dei dati della colonna devono essere un vettore di dimensioni note di Single.
Questo formatore restituisce le colonne seguenti:
| Nome della colonna di output | Tipo di colonna | Descrizione | |
|---|---|---|---|
Score |
Single | Punteggio non associato calcolato dal modello. | |
PredictedLabel |
Boolean | Etichetta prevista, in base al segno del punteggio. Un punteggio negativo corrisponde a false e un punteggio positivo corrisponde a true. |
|
Probability |
Single | Probabilità calcolata calibrando il punteggio di avere true come etichetta. Il valore di probabilità è compreso nell'intervallo [0, 1]. |
Caratteristiche del trainer
| Attività di Machine Learning | Classificazione binaria |
| La normalizzazione è necessaria? | No |
| La memorizzazione nella cache è necessaria? | No |
| NuGet necessario oltre a Microsoft.ML | Microsoft.ML.FastTree |
| Esportabile in ONNX | Yes |
Dettagli algoritmo di training
Gli alberi delle decisioni sono modelli non parametrici che eseguono una sequenza di test semplici sugli input. Questa procedura decisionale ne esegue il mapping agli output trovati nel set di dati di training i cui input sono simili all'istanza in fase di elaborazione. Una decisione viene presa in ogni nodo della struttura di dati dell'albero binario in base a una misura di somiglianza che esegue il mapping ricorsivo di ogni istanza attraverso i rami dell'albero fino al raggiungimento del nodo foglia appropriato e alla decisione di output restituita.
Gli alberi delle decisioni presentano diversi vantaggi:
- Sono efficienti sia nel calcolo che nell'utilizzo della memoria durante il training e la stima.
- Possono rappresentare limiti decisionali non lineari.
- Eseguono la selezione e la classificazione integrate delle funzionalità.
- Sono resilienti in presenza di caratteristiche rumorose.
La foresta veloce è un'implementazione casuale della foresta. Il modello è costituito da un insieme di alberi delle decisioni. Ogni albero in una foresta decisionale restituisce una distribuzione gaussiana tramite la stima. Un'aggregazione viene eseguita sull'insieme di alberi per trovare una distribuzione gaussiana più vicina alla distribuzione combinata per tutti gli alberi nel modello. Questo classificatore di foresta decisionale è costituito da un insieme di alberi delle decisioni.
In genere, i modelli di insieme offrono una copertura e un'accuratezza migliori rispetto ai singoli alberi delle decisioni. Ogni albero in una foresta decisionale restituisce una distribuzione gaussiana.
Per altre informazioni, vedere:
Vedere anche la sezione Vedere anche per i collegamenti ad esempi di utilizzo.
Campi
| Nome | Descrizione |
|---|---|
| FeatureColumn |
Colonna di funzionalità prevista dal formatore. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Colonna groupID facoltativa prevista dai formatori di classificazione. (Ereditato da TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Colonna etichetta prevista dal formatore. Può essere |
| WeightColumn |
Colonna di peso prevista dal formatore. Può essere |
Proprietà
| Nome | Descrizione |
|---|---|
| Info |
Oggetto IEstimator<TTransformer> per il training di un modello di classificazione binaria dell'albero delle decisioni tramite Fast Forest. (Ereditato da FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Metodi
| Nome | Descrizione |
|---|---|
| Fit(IDataView, IDataView) |
Esegue il training di un FastForestBinaryTrainer oggetto usando sia i dati di training che di convalida, restituisce un oggetto BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Esegue il training e restituisce un oggetto ITransformer. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Oggetto IEstimator<TTransformer> per il training di un modello di classificazione binaria dell'albero delle decisioni tramite Fast Forest. (Ereditato da TrainerEstimatorBase<TTransformer,TModel>) |
Metodi di estensione
| Nome | Descrizione |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. In questo modo si garantisce che gli estimatori downstream vengano sottoposti a training su dati memorizzati nella cache. È utile disporre di un checkpoint di memorizzazione nella cache prima che i formatori eseseguono più passaggi di dati. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dato uno strumento di stima, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. È spesso importante che uno strumento di stima restituisca informazioni sulle dimensioni, motivo per cui il Fit(IDataView) metodo restituisce un oggetto tipizzato in modo specifico, anziché solo un oggetto generale ITransformer. Tuttavia, allo stesso tempo, IEstimator<TTransformer> vengono spesso formati in pipeline con molti oggetti, quindi potrebbe essere necessario creare una catena di estimatori tramite EstimatorChain<TLastTransformer> dove lo strumento di stima per il quale si vuole ottenere il trasformatore è sepolto in una posizione in questa catena. Per questo scenario, è possibile collegare un delegato che verrà chiamato una volta chiamato fit. |