FastTreeBinaryTrainer.Options Classe

Creare un nuovo FastTreeBinaryTrainer.Options oggetto con valori predefiniti.

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).

Opzione per l'uso dei migliori alberi dei passaggi di regressione.

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.

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

Frequenza di rilascio per la regolarizzazione dell'albero.

Abilitare l'eliminazione dell'albero post-training per evitare l'overfitting. Richiede un set di convalida.

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.

Filtrare zero espressioni lambda durante il training.

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.

Eseguire l'esempio di ogni query 1 in k volte nella funzione GetDerivatives.

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

Colonna da utilizzare per le etichette.

Frequenza di apprendimento.

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.

Numero di passaggi di ricerca di righe post-parentesi quadre.

Limite superiore per il valore assoluto dell'output di un singolo 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.

Dimensioni minime del passaggio di ricerca delle righe.

Numero massimo di foglie in ogni albero di regressione.

Numero di thread da usare.

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

Algoritmo di ottimizzazione da usare.

Soglia di tolleranza per l'eliminazione.

Dimensioni della finestra mobile per l'eliminazione.

Il training inizia dall'ordinamento casuale (determinato da /r1).

Colonna da utilizzare per l'esempio groupId.

Valore di inizializzazione del generatore di numeri casuali.

Compattazione.

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.

Indica se usare derivati ottimizzati per i dati di training non bilanciati.

Determina se utilizzare la ricerca di righe per le dimensioni di un passaggio.

Usare finestra e tolleranza per l'eliminazione.

Scrivere l'ultimo ensemble invece di quello determinato dall'arresto anticipato.

Metriche di arresto anticipato.

Regola di arresto anticipato usata per terminare il processo di training una volta che soddisfa un criterio specificato. Le scelte possibili sono EarlyStoppingRuleBasele implementazioni TolerantEarlyStoppingRule di e GeneralityLossRule.

Opzioni per l'oggetto usato in FastTreeBinaryTrainer for the used in FastTree(Options).