TreeOptions Classe

Options pour les entraîneurs d’arbre.

Lorsqu’un fractionnement racine est impossible, autorisez l’entraînement à continuer.

Pourcentage d’exemples d’entraînement utilisés dans chaque sac. La valeur par défaut est 0.7 (70%).

Nombre d’arbres dans chaque sac (0 pour la désactivation du bagging).

Biais pour le calcul du dégradé pour chaque compartiment de caractéristiques pour une fonctionnalité catégorielle.

Regroupez des bacs à faible population. Bundle.None(0) : aucun regroupement, Bundle.AggregateLowPopulation(1) : Grouper une population faible, Bundle.Adjacent(2) : Groupe de population faible voisin.

Indique s’il faut effectuer un fractionnement en fonction de plusieurs valeurs de caractéristiques catégorielles.

Compressez l’arborescence Ensemble.

Qu’il s’agisse d’utiliser le disque ou les installations de transposer natives des données (le cas échéant) lors de l’exécution de la transpose.

Coefficient d’entropie (régularisation) compris entre 0 et 1.

Colonne à utiliser pour un exemple de poids.

Imprimer la répartition du temps d’exécution sur ML.NET canal.

Colonne à utiliser pour les fonctionnalités.

La fonctionnalité utilise d’abord le coefficient de pénalité.

Indique s’il faut collecter des fonctionnalités pendant la préparation du jeu de données pour accélérer l’entraînement.

Fraction des fonctionnalités (choisies de façon aléatoire) à utiliser sur chaque itération. Utilisez la version 0.9 si seulement 90% de fonctionnalités sont nécessaires. Les nombres inférieurs aident à réduire le surajustement.

Fraction des fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque fractionnement. S’il s’agit de la valeur 0,9, 90% de toutes les fonctionnalités seront abandonnées dans l’attente.

Coefficient de pénalité (régularisation) de la fonctionnalité.

Valeur initiale de la sélection de fonctionnalités active.

L’ajustement de l’arbre gagne en confiance. Considérez seulement un gain si sa probabilité et un gain de choix aléatoire est supérieur à cette valeur.

Nombre d’histogrammes dans le pool (entre 2 et numLeaves).

Colonne à utiliser pour les étiquettes.

Nombre maximal de valeurs distinctes (bacs) par fonctionnalité.

Nombre maximal de groupes de fractionnements catégorieux à prendre en compte lors du fractionnement sur une fonctionnalité catégorielle. Les groupes fractionnés sont une collection de points de fractionnement. Cela permet de réduire le surajustement lorsqu’il existe de nombreuses fonctionnalités catégorielles.

Nombre maximal de points de fractionnement catégoriels à prendre en compte lors du fractionnement sur une fonctionnalité catégorielle.

Imprimez les statistiques de mémoire sur ML.NET canal.

Nombre minimal de points de données requis pour former une nouvelle feuille d’arbre.

Pourcentage d’exemple catégoriel minimal dans un bac à prendre en compte pour un fractionnement. La valeur par défaut est 0.1% de tous les exemples d’entraînement.

Nombre minimal d’exemples catégoriels dans un bac à prendre en compte pour un fractionnement.

Nombre maximal de feuilles dans chaque arborescence de régression.

Nombre de threads à utiliser.

Nombre total d’arbres de décision à créer dans l’ensemble.

Colonne à utiliser par exemple groupId.

Valeur initiale du générateur de nombres aléatoires.

Paramètre de lissage pour la régularisation d’arborescence.

Température de la distribution softmax aléatoire pour choisir la fonctionnalité.

Niveau d’éparsité nécessaire pour utiliser la représentation des caractéristiques éparses.

Calculez les valeurs de métriques pour l’apprentissage/valide/test tous les k rounds.