PretrainedTreeFeaturizationEstimator 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.
A IEstimator<TTransformer> which contains a pre-trained TreeEnsembleModelParameters and calling its Fit(IDataView) produces a featurizer based on the pre-trained model.
public sealed class PretrainedTreeFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBasetype PretrainedTreeFeaturizationEstimator = class
inherit TreeEnsembleFeaturizationEstimatorBasePublic NotInheritable Class PretrainedTreeFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase- Vererbung
Hinweise
Eingabe- und Ausgabespalten
Die Spaltendaten der Eingabebeschriftung müssen seinSingle. Die Spaltendaten der Eingabefeatures müssen ein VektorSingle mit bekannter Größe sein.
Dieser Schätzer gibt die folgenden Spalten aus:
| Name der Ausgabespalte | Spaltentyp | Description |
|---|---|---|
Trees |
Vektor vonSingle | Die Ausgabewerte aller Strukturen. |
Leaves |
Vektor von Single | Die IDs aller Blätter, in die der Eingabefeaturevektor fällt. |
Paths |
Vektor von Single | Die Pfade, die der Eingabefeaturevektor durchlaufen hat, um die Blätter zu erreichen. |
Diese Ausgabespalten sind alle optional, und der Benutzer kann seine Namen ändern. Legen Sie die Namen übersprungener Spalten auf NULL fest, damit sie nicht erstellt werden.
Vorhersagedetails
Dieser Schätzer erzeugt mehrere Ausgabespalten aus einem Baumensemblemodell. Gehen Sie davon aus, dass das Modell nur eine Entscheidungsstruktur enthält:
Node 0
/ \
/ \
/ \
/ \
Node 1 Node 2
/ \ / \
/ \ / \
/ \ Leaf -3 Node 3
Leaf -1 Leaf -2 / \
/ \
Leaf -4 Leaf -5
Gehen Sie davon aus, dass der Eingabefeaturevektor in Leaf -1. Die Ausgabe Trees kann ein Vektor mit 1 Elementen sein, bei dem der einzige Wert der Entscheidungswert ist, der von Leaf -1. Die Ausgabe Leaves ist ein 0-1-Vektor. Wenn das erreichte Blatt der $i$-th (indiziert von $-(i+1)$ ist, sodass das erste Blatt ) blatt in der Struktur ist Leaf -1, wäre der wert $i$-th in Leaves 1 und alle anderen Werte wären 0. Die Ausgabe Paths ist eine 0-1-Darstellung der Knoten, die vor dem Erreichen des Blatts durchlaufen werden. Das $i$-th-Element in Paths gibt an, ob der $i$-th-Knoten (indiziert von $i$) berührt wird.
Wenn Sie z. B Leaf -1 . den Wert $[1, 1, 0, 0]$ erreicht haben, als die Paths. Wenn mehrere Bäume vorhanden sind, verkettet Treesdieser Schätzer einfach 's, Leaves's, Paths's von allen Bäumen (die Informationen der ersten Struktur kommen zuerst in den verketteten Vektoren).
Im Abschnitt "Siehe auch" finden Sie Links zu Verwendungsbeispielen.
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView) |
Erstellen Sie eine TreeEnsembleModelParameters Zuordnung der Spalte, die in InputColumnName drei Ausgabespalten aufgerufen wird |
| GetOutputSchema(SchemaShape) |
PretrainedTreeFeaturizationEstimator fügt drei Gleitkommavektorspalten in |
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. |