BoostedTreeOptions Klasse

Optionen zum Ankurbeln von Baumtrainern.

Wenn eine Stammteilung unmöglich ist, können Sie die Schulung fortsetzen.

Prozentsatz der Schulungsbeispiele, die in jeder Tasche verwendet werden. Der Standardwert ist 0,7 (70%).

Anzahl der Bäume in jedem Beutel (0 zum Deaktivieren des Beutels).

Option für die Verwendung der besten Regressionsschrittstrukturen.

Bias für die Berechnung des Farbverlaufs für jedes Featurecontainer für ein kategorisierendes Feature.

Bündeln Sie geringe Populationscontainer. Bundle.None(0): no bundling, Bundle.AggregateLowPopulation(1): Bundle low population, Bundle.Adjacent(2): Neighbor low population bundle.

Gibt an, ob die Aufteilung basierend auf mehreren kategorisierten Featurewerten erfolgt.

Komprimieren Sie das Baumensemble.

Ob der Datenträger oder die nativen Umsetzungseinrichtungen der Daten (sofern zutreffend) bei der Durchführung der Transponierung verwendet werden sollen.

Abbruchrate für die Struktur regularisierung.

Aktivieren Sie den Nachschulungsbaumschnitt, um zu vermeiden, dass überlastend sind. Er erfordert einen Überprüfungssatz.

Der Entropieteil (Normalisierung) zwischen 0 und 1.

Spalte, die verwendet werden soll, z. B. Gewichtung.

Aufschlüsselung der Druckausführungszeit bis zum ML.NET Kanal.

Spalte, die für Features verwendet werden soll.

Das Feature verwendet zuerst den Strafkoeffizient.

Ob Features während der Datasetvorbereitung gesammelt werden sollen, um schulungen zu beschleunigen.

Der Anteil der Features (zufällig ausgewählt), die für jede Iteration verwendet werden sollen. Verwenden Sie 0.9, wenn nur 90% von Features benötigt werden. Niedrigere Zahlen tragen dazu bei, die Überanpassung zu reduzieren.

Der Anteil der Features (zufällig ausgewählt), die für jede Aufteilung verwendet werden sollen. Wenn der Wert 0,9 ist, werden 90% aller Features erwartungswändigt.

Der Koeffizient für die erneute Verwendung von Strafen (Regularisierung).

Der Startwert der aktiven Featureauswahl.

Filtert null Lambdas während der Schulung.

Anforderungen an die Strukturanpassung erhalten Konfidenz. Erwägen Sie nur einen Gewinn, wenn die Wahrscheinlichkeit gegenüber einem zufälligen Wahlgewinn über diesem Wert liegt.

Probieren Sie jede Abfrage 1 in k-Zeit in der GetDerivatives-Funktion aus.

Die Anzahl der Histogramme im Pool (zwischen 2 und NumLeaves).

Spalte, die für Bezeichnungen verwendet werden soll.

Die Lernrate.

Maximale Anzahl unterschiedlicher Werte (Bins) pro Feature.

Maximal kategorisierte Geteilte Gruppen, die beim Teilen auf ein kategorisierendes Feature berücksichtigt werden sollen. Geteilte Gruppen sind eine Sammlung von geteilten Punkten. Dies wird verwendet, um die Überlastung zu reduzieren, wenn viele kategorisierte Features vorhanden sind.

Maximale Kategorisierungspunkte, die bei der Aufteilung auf ein kategorisierendes Feature berücksichtigt werden sollen.

Die Anzahl der Suchschritte nach Klammern.

Obere Grenze für den absoluten Wert einer einzelnen Strukturausgabe.

Drucken von Speicherstatistiken in ML.NET Kanal.

Die minimale Anzahl von Datenpunkten, die erforderlich sind, um ein neues Baumblatt zu bilden.

Minimale kategorisierte Beispielprozentsätze in einem Bin, die für eine Aufteilung berücksichtigt werden sollen. Der Standardwert ist 0,1% aller Schulungsbeispiele.

Mindestens kategorisierte Beispielanzahl in einem Bin, die für eine Aufteilung berücksichtigt werden soll.

Minimale Zeilensuchschrittgröße.

Die maximale Anzahl von Blättern in jeder Regressionsstruktur.

Die Anzahl der zu verwendenden Threads.

Gesamtanzahl der Entscheidungsstrukturen, die im Ensemble erstellt werden sollen.

Optimierungsalgorithmus, der verwendet werden soll.

Der Toleranzschwellenwert für die Beschnittung.

Die Größe des verschiebenden Fensters für die Beschnittung.

Die Schulung beginnt mit der zufälligen Reihenfolge (bestimmt durch /r1).

Spalte, die z. B. groupId verwendet werden soll.

Der Ausgangswert des Zufallszahlengenerators.

Verkleinern.

Glättungsparameter für die Struktur regularisierung.

Die Temperatur der randomisierten Softmax-Verteilung für die Auswahl des Features.

Sparsity level needed to use sparse feature representation.

Berechnen Sie Metrikwerte für train/valid/test alle k Runden.

Bestimmt, ob die Zeilensuche für eine Schrittgröße verwendet werden soll.

Verwenden Sie Fenster und Toleranz für die Beschnittung.

Schreiben Sie das letzte Ensemble anstelle des ensembles, das durch frühes Beenden bestimmt wurde.

Early Stop rule used to terminate training process once meeting a specified criterion. Mögliche Auswahlmöglichkeiten sind EarlyStoppingRuleBasedie Implementierungen wie TolerantEarlyStoppingRule und GeneralityLossRule.