FastTreeBinaryTrainer.Options Klasa

Utwórz nowy FastTreeBinaryTrainer.Options obiekt z wartościami domyślnymi.

Gdy podział główny jest niemożliwy, zezwól na kontynuowanie trenowania.

Procent przykładów treningowych używanych w każdej torbie. Wartość domyślna to 0,7 (70%).

Liczba drzew w każdej torbie (0 w celu wyłączenia baggingu).

Opcja używania najlepszych drzew kroków regresji.

Stronnicza odchylenie do obliczania gradientu dla każdego pojemnika cech kategorii.

Pakuj pojemniki o niskiej populacji. Bundle.None(0): brak pakietów, Bundle.AggregateLowPopulation(1): Bundle low population, Bundle.Adjacent(2): Sąsiedzi niski pakiet populacji.

Czy należy podzielić na podstawie wielu wartości cech kategorii.

Kompresuj drzewo Ensemble.

Czy używać dysku, czy natywnych obiektów transpozycji danych (w stosownych przypadkach) podczas transponowania.

Współczynnik porzucania dla regularyzacji drzewa.

Włącz oczyszczanie drzewa po treningu, aby uniknąć nadmiernego dopasowania. Wymaga zestawu weryfikacji.

Współczynnik entropii (uregulowania) z zakresu od 0 do 1.

Kolumna do użycia na przykład wagi.

Podział czasu wykonywania wydruku na kanał ML.NET.

Kolumna do użycia dla funkcji.

Funkcja najpierw używa współczynnika kary.

Czy zbierać funkcje podczas przygotowywania zestawu danych w celu przyspieszenia trenowania.

Ułamek funkcji (wybranych losowo) do użycia w każdej iteracji. Użyj wersji 0.9, jeśli potrzebne jest tylko 90% funkcji. Niższe liczby pomagają zmniejszyć nadmierne dopasowanie.

Ułamek funkcji (wybranych losowo) do użycia w każdym podziale. Jeśli jest to wartość 0,9, 90% wszystkich funkcji zostanie odrzucone w oczekiwaniu.

Współczynnik kary ponownego użycia funkcji (regularyzacja).

Inicjator aktywnego zaznaczenia funkcji.

Filtruj zero lambd podczas trenowania.

Wymaganie dopasowania drzewa zyskuje pewność siebie. Rozważmy tylko zysk, jeśli jego prawdopodobieństwo w porównaniu z losowym zyskiem jest powyżej tej wartości.

Próbkuj każde zapytanie 1 w k razy w funkcji GetDerivatives.

Liczba histogramów w puli (od 2 do numLeaves).

Kolumna do użycia dla etykiet.

Wskaźnik nauki.

Maksymalna liczba unikatowych wartości (pojemników) na funkcję.

Maksymalna kategorialne grupy podzielone, które należy wziąć pod uwagę podczas dzielenia na funkcję kategorii. Podzielone grupy to kolekcja punktów podzielonych. Służy to do zmniejszenia nadmiernego dopasowania, gdy istnieje wiele cech kategorii.

Maksymalne podzielone punkty podzielone na kategorie, które należy wziąć pod uwagę podczas dzielenia na cechę kategorii.

Liczba kroków wyszukiwania w wierszu po nawiasie kwadratowym.

Górna granica dla wartości bezwzględnej danych wyjściowych pojedynczego drzewa.

Drukuj statystyki pamięci do kanału ML.NET.

Minimalna liczba punktów danych wymaganych do utworzenia nowego liścia drzewa.

Minimalna wartość procentowa przykładu kategorii w pojemniku do rozważenia dla podziału. Wartość domyślna to 0,1% wszystkich przykładów szkoleniowych.

Minimalna liczba przykładów kategorii w pojemniku do rozważenia dla podziału.

Minimalny rozmiar kroku wyszukiwania wierszy.

Maksymalna liczba liści w każdym drzewie regresji.

Liczba wątków do użycia.

Łączna liczba drzew decyzyjnych do utworzenia w zespole.

Algorytm optymalizacji do użycia.

Próg tolerancji do oczyszczania.

Ruchomy rozmiar okna do oczyszczania.

Trenowanie rozpoczyna się od losowego porządkowania (określonego przez /r1).

Kolumna do użycia na przykład groupId.

Nasion generatora liczb losowych.

Skurcz.

Parametr smoothing dla regularyzacji drzewa.

Temperatura losowego rozkładu softmax do wybierania funkcji.

Poziom rozrzedu wymagany do korzystania z reprezentacji funkcji rozrzednicy.

Oblicz wartości metryk dla trenowania/prawidłowego/testowego co k rund.

Określa, czy używać pochodnych zoptymalizowanych pod kątem niezrównoważonych danych treningowych.

Określa, czy należy używać wyszukiwania wierszy dla rozmiaru kroku.

Użyj okna i tolerancji do oczyszczania.

Napisz ostatni zespół zamiast tego określony przez wczesne zatrzymywanie.

Wczesne zatrzymywanie metryk.

Reguła wczesnego zatrzymywania używana do zakończenia procesu trenowania po spełnieniu określonego kryterium. Możliwe opcje to EarlyStoppingRuleBaseimplementacje, takie jak TolerantEarlyStoppingRule i GeneralityLossRule.

Opcje dla FastTreeBinaryTrainer elementu używanego w funkcji FastTree(Opcje).