FastForestBinaryTrainer.Options Classe

Opzioni per la classe utilizzata in FastForest(Options).Options.Options for the FastForestBinaryTrainer used in FastForest(Options).

Quando una divisione radice è impossibile, consentire al training di procedere.

Percentuale di esempi di training usati in ogni borsa. Il valore predefinito è 0,7 (70%).

Numero di alberi in ogni borsa (0 per disabilitare il bagging).

Distorsione per il calcolo della sfumatura per ogni contenitore di funzionalità per una funzionalità categorica.

Aggregare contenitori di popolamento bassi. Bundle.None(0): no bundling, Bundle.AggregateLowPopulation(1): Bundle low population, Bundle.Adjacent(2): Neighbor low population bundle.

Se eseguire la suddivisione in base a più valori di funzionalità categorica.

Comprimere l'ensemble dell'albero.

Se utilizzare il disco o le strutture native del servizio di ripristino dei dati (ove applicabile) quando si esegue la trasposizione.

Coefficiente di entropia (regolarizzazione) compreso tra 0 e 1.

Colonna da utilizzare per esempio peso.

Stampa la suddivisione del tempo di esecuzione nel canale ML.NET.

Colonna da usare per le funzionalità.

La caratteristica usa innanzitutto il coefficiente di penalità.

Indica se raccogliere le funzionalità durante la preparazione del set di dati per velocizzare il training.

Frazione di funzionalità (scelta in modo casuale) da usare in ogni iterazione. Usare 0.9 se sono necessarie solo 90% di funzionalità. I numeri inferiori consentono di ridurre l'over-fitting.

Frazione di funzionalità (scelta in modo casuale) da usare in ogni divisione. Se il valore è 0,9, 90% di tutte le funzionalità verranno eliminate in attesa.

Coefficiente di penalità (regolarizzazione) della funzionalità.

Valore di inizializzazione della selezione della funzionalità attiva.

Requisiti di attendibilità per l'adattamento ad albero. Si consideri un guadagno solo se la probabilità rispetto a un guadagno di scelta casuale è superiore a questo valore.

Numero di istogrammi nel pool (compreso tra 2 e numLeaves).

Colonna da utilizzare per le etichette.

Numero massimo di valori distinti (bin) per funzionalità.

Numero massimo di gruppi di suddivisione categorica da considerare durante la suddivisione in una funzionalità categorica. I gruppi suddivisi sono una raccolta di punti di divisione. Viene usato per ridurre l'overfitting quando sono presenti molte funzionalità categoriche.

Numero massimo di punti di divisione categorici da considerare durante la suddivisione in una funzionalità categorica.

Limite superiore sul valore assoluto di un singolo output dell'albero.

Stampare le statistiche di memoria per ML.NET canale.

Numero minimo di punti dati necessari per formare una nuova foglia dell'albero.

Percentuale di esempio categorica minima in un contenitore da considerare per una divisione. Il valore predefinito è 0,1% di tutti gli esempi di training.

Numero minimo di esempi categorici in un contenitore da considerare per una divisione.

Numero massimo di foglie in ogni albero di regressione.

Numero di punti dati da campionare da ogni foglia per trovare la distribuzione delle etichette.

Numero di thread da usare.

Numero totale di alberi delle decisioni da creare nell'insieme.

Colonna da utilizzare per l'esempio groupId.

Valore di inizializzazione del generatore di numeri casuali.

Parametro di smussamento per la regolarizzazione dell'albero.

Temperatura della distribuzione softmax casuale per la scelta della funzionalità.

Livello di spaziatura necessario per usare la rappresentazione di funzionalità di tipo sparse.

Calcolare i valori delle metriche per il training/ valido/test ogni k round.