FastTreeBinaryTrainer.Options Classe

Crie um novo FastTreeBinaryTrainer.Options objeto com valores padrão.

Quando uma divisão raiz é impossível, permita que o treinamento prossiga.

Porcentagem de exemplos de treinamento usados em cada recipiente. O padrão é 0,7 (70%).

Número de árvores em cada saco (0 para desabilitar o ensacamento).

Opção para usar as melhores árvores de etapas de regressão.

Viés para calcular o gradiente para cada compartimento de recursos para um recurso categórico.

Agrupar compartimentos de baixa população. Bundle.None(0): sem agrupamento, Bundle.AggregateLowPopulation(1): agrupar baixa população, Bundle.Adjacent(2): pacote de população baixa vizinho.

Se deve ser dividido com base em vários valores de recursos categóricos.

Compacte o conjunto de árvores.

Seja para utilizar o disco ou as instalações de transposição nativas dos dados (quando aplicável) ao executar o transpose.

Taxa de desistência para regularização de árvore.

Habilite a poda de árvore pós-treinamento para evitar a sobreajuste. Ele requer um conjunto de validação.

O coeficiente de entropia (regularização) entre 0 e 1.

Coluna a ser usada, por exemplo, peso.

Imprimir divisão de tempo de execução para ML.NET canal.

Coluna a ser usada para recursos.

O recurso usa primeiro o coeficiente de penalidade.

Se os recursos serão coletados durante a preparação do conjunto de dados para acelerar o treinamento.

A fração de recursos (escolhida aleatoriamente) a ser usada em cada iteração. Use 0.9 se apenas 90% de recursos forem necessários. Números mais baixos ajudam a reduzir o excesso de ajuste.

A fração de recursos (escolhida aleatoriamente) a ser usada em cada divisão. Se o valor for 0,9, 90% de todos os recursos serão descartados na expectativa.

O coeficiente de penalidade de reutilização do recurso (regularização).

A semente da seleção de recursos ativos.

Filtrar zero lambdas durante o treinamento.

O ajuste de árvore ganha o requisito de confiança. Considere apenas um ganho se sua probabilidade versus um ganho de escolha aleatória estiver acima desse valor.

Exemplo de cada consulta 1 em k vezes na função GetDerivatives.

O número de histogramas no pool (entre 2 e numLeaves).

Coluna a ser usada para rótulos.

A taxa de aprendizado.

Número máximo de valores distintos (compartimentos) por recurso.

Máximo de grupos categóricos divididos a serem considerados ao dividir em um recurso categórico. Grupos divididos são uma coleção de pontos divididos. Isso é usado para reduzir a sobreajuste quando há muitos recursos categóricos.

Máximo de pontos de divisão categóricos a serem considerados ao dividir em um recurso categórico.

Número de etapas de pesquisa de linha pós-colchete.

Limite superior no valor absoluto da saída de árvore única.

Imprimir estatísticas de memória para ML.NET canal.

O número mínimo de pontos de dados necessários para formar uma nova folha de árvore.

Porcentagem mínima de exemplo categórico em uma lixeira a ser considerada para uma divisão. O padrão é 0,1% de todos os exemplos de treinamento.

Contagem mínima de exemplo categórico em uma lixeira a ser considerada para uma divisão.

Tamanho mínimo da etapa de pesquisa de linha.

O número máximo de folhas em cada árvore de regressão.

O número de threads a serem usados.

Número total de árvores de decisão a serem criadas no conjunto.

Algoritmo de otimização a ser usado.

O limite de tolerância para a poda.

O tamanho da janela móvel para a poda.

O treinamento começa com a ordenação aleatória (determinada por /r1).

Coluna a ser usada para exemplo groupId.

A semente do gerador de número aleatório.

Redução.

Parâmetro de suavização para regularização de árvore.

A temperatura da distribuição softmax aleatória para escolher o recurso.

Nível de moderação necessário para usar a representação de recurso esparso.

Calcule valores de métrica para treinar/válido/testar a cada k rounds.

Se usar derivativos otimizados para dados de treinamento desequilibrados.

Determina se a pesquisa de linha deve ser usada para um tamanho de etapa.

Use a janela e a tolerância para a poda.

Escreva o último conjunto em vez do determinado pela parada antecipada.

Métricas de parada antecipada.

Regra de parada antecipada usada para encerrar o processo de treinamento depois de atender a um critério especificado. As opções possíveis são EarlyStoppingRuleBaseimplementações TolerantEarlyStoppingRule como e GeneralityLossRule.

Opções para o FastTreeBinaryTrainer que é usado em FastTree(Options).