FastTreeTweedieTrainer Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Die Schulung eines Regressionsmodells IEstimator<TTransformer> für die Entscheidungsstruktur mithilfe der Tweedie-Verlustfunktion. Dieser Trainer ist eine Generalisierung von Poisson, zusammengesetzter Poisson und Gamma-Regression.
public sealed class FastTreeTweedieTrainer : Microsoft.ML.Trainers.FastTree.BoostingFastTreeTrainerBase<Microsoft.ML.Trainers.FastTree.FastTreeTweedieTrainer.Options,Microsoft.ML.Data.RegressionPredictionTransformer<Microsoft.ML.Trainers.FastTree.FastTreeTweedieModelParameters>,Microsoft.ML.Trainers.FastTree.FastTreeTweedieModelParameters>type FastTreeTweedieTrainer = class
inherit BoostingFastTreeTrainerBase<FastTreeTweedieTrainer.Options, RegressionPredictionTransformer<FastTreeTweedieModelParameters>, FastTreeTweedieModelParameters>Public NotInheritable Class FastTreeTweedieTrainer
Inherits BoostingFastTreeTrainerBase(Of FastTreeTweedieTrainer.Options, RegressionPredictionTransformer(Of FastTreeTweedieModelParameters), FastTreeTweedieModelParameters)- Vererbung
Hinweise
Um diesen Trainer zu erstellen, verwenden Sie FastTreeTweedie oder FastTreeTweedie(Options).
Eingabe- und Ausgabespalten
Die Daten in der Spalte für die Eingabezeichnung müssen Single sein. Die Spaltendaten der Eingabefeatures müssen ein Vektor mit bekannter Größe sein Single.
Der Trainer gibt folgende Spalten aus:
| Name der Ausgabespalte | Spaltentyp | Description |
|---|---|---|
Score |
Single | Die ungebundene Bewertung, die vom Modell vorhergesagt wurde. |
Trainermerkmale
| Machine Learning-Aufgabe | Regression |
| Ist normalisierung erforderlich? | No |
| Ist zwischenspeichern erforderlich? | No |
| Erforderliches NuGet zusätzlich zu Microsoft.ML | Microsoft.ML.FastTree |
| Exportierbar in ONNX | Yes |
Details des Schulungsalgorithmus
Das Tweedie-Boost-Modell folgt den mathematikerischen Grundlagen von Insurance Premium Prediction via Gradient Tree-Boosted Tweedie Compound Poisson Models von Yang, Quan und Zou. Eine Einführung in die Farbverlaufsverstufung und weitere Informationen finden Sie unter Wikipedia: Gradient Boost(Gradient Tree Boost) oder Greedy function approximation: A gradient boost machine.
Im Abschnitt "Siehe auch" finden Sie Links zu Verwendungsbeispielen.
Felder
| Name | Beschreibung |
|---|---|
| FeatureColumn |
Die Featurespalte, die der Trainer erwartet. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Die optionale GroupID-Spalte, die von den Bewertungstrainern erwartet wird. (Geerbt von TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Die Bezeichnungsspalte, die der Trainer erwartet. Dies kann sein |
| WeightColumn |
Die Gewichtsspalte, die der Trainer erwartet. Dies kann sein |
Eigenschaften
| Name | Beschreibung |
|---|---|
| Info |
Die Schulung eines Regressionsmodells IEstimator<TTransformer> für die Entscheidungsstruktur mithilfe der Tweedie-Verlustfunktion. Dieser Trainer ist eine Generalisierung von Poisson, zusammengesetzter Poisson und Gamma-Regression. (Geerbt von FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView, IDataView) |
Trainiert eine FastTreeTweedieTrainer Verwendung von Schulungs- und Validierungsdaten, gibt eine RegressionPredictionTransformer<TModel>. |
| Fit(IDataView) |
Züge und Gibt einen ITransformer. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Die Schulung eines Regressionsmodells IEstimator<TTransformer> für die Entscheidungsstruktur mithilfe der Tweedie-Verlustfunktion. Dieser Trainer ist eine Generalisierung von Poisson, zusammengesetzter Poisson und Gamma-Regression. (Geerbt von TrainerEstimatorBase<TTransformer,TModel>) |
Erweiterungsmethoden
| Name | Beschreibung |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird. |