LightGbmRankingTrainer Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Pour IEstimator<TTransformer> l’entraînement d’un modèle de classement d’arbre de décision optimisé à l’aide de LightGBM.
public sealed class LightGbmRankingTrainer : Microsoft.ML.Trainers.LightGbm.LightGbmTrainerBase<Microsoft.ML.Trainers.LightGbm.LightGbmRankingTrainer.Options,float,Microsoft.ML.Data.RankingPredictionTransformer<Microsoft.ML.Trainers.LightGbm.LightGbmRankingModelParameters>,Microsoft.ML.Trainers.LightGbm.LightGbmRankingModelParameters>type LightGbmRankingTrainer = class
inherit LightGbmTrainerBase<LightGbmRankingTrainer.Options, single, RankingPredictionTransformer<LightGbmRankingModelParameters>, LightGbmRankingModelParameters>Public NotInheritable Class LightGbmRankingTrainer
Inherits LightGbmTrainerBase(Of LightGbmRankingTrainer.Options, Single, RankingPredictionTransformer(Of LightGbmRankingModelParameters), LightGbmRankingModelParameters)- Héritage
Remarques
Pour créer cet entraîneur, utilisez LightGbm ou LightGbm(Options).
Colonnes d’entrée et de sortie
Le type de données des étiquettes d’entrée doit être de type clé ou Single. La valeur de l’étiquette détermine la pertinence, où les valeurs supérieures indiquent une pertinence plus élevée. Si l’étiquette est un type clé, l’index de clé est la valeur de pertinence, où le plus petit index est le moins pertinent. Si l’étiquette est une Single, les valeurs plus grandes indiquent une pertinence plus élevée. La colonne de caractéristiques doit être un vecteur de taille connue et la colonne de groupe de Single lignes d’entrée doit être de type clé .
Cet entraîneur génère les colonnes suivantes :
| Nom de la colonne de sortie | Type de colonne | Description |
|---|---|---|
Score |
Single | Score non lié calculé par le modèle pour déterminer la prédiction. |
Caractéristiques de l’entraîneur
| Tâche Machine Learning | Ranking |
| La normalisation est-elle nécessaire ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.LightGbm |
| Exportable vers ONNX | Non |
Détails de l’algorithme d’apprentissage
LightGBM est une implémentation open source de l’arbre de décision de renforcement de dégradé. Pour plus d’informations sur l’implémentation, consultez la documentation officielle de LightGBM ou ce document.
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
Champs
| Nom | Description |
|---|---|
| FeatureColumn |
Colonne de fonctionnalités attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Colonne groupID facultative attendue par les formateurs de classement. (Hérité de TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Colonne d’étiquette attendue par l’entraîneur. Peut être |
| WeightColumn |
Colonne de poids attendue par l’entraîneur. Peut être |
Propriétés
| Nom | Description |
|---|---|
| Info |
Pour IEstimator<TTransformer> l’entraînement d’un modèle de classement d’arbre de décision optimisé à l’aide de LightGBM. (Hérité de LightGbmTrainerBase<TOptions,TOutput,TTransformer,TModel>) |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView, IDataView) |
Effectue l’apprentissage à LightGbmRankingTrainer l’aide de données d’entraînement et de validation, retourne un RankingPredictionTransformer<TModel>. |
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> l’entraînement d’un modèle de classement d’arbre de décision optimisé à l’aide de LightGBM. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
Méthodes d’extension
| Nom | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
En fonction d’un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets, nous devrons peut-être construire une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |