FastForestRegressionTrainer.Options Classe

Opções para o FastForestRegressionTrainer que é usado em FastForest(Options).

Quando uma divisão raiz é impossível, permita que o treinamento prossiga.

Porcentagem de exemplos de treinamento usados em cada recipiente. O padrão é 0,7 (70%).

Número de árvores em cada saco (0 para desabilitar o ensacamento).

Viés para calcular o gradiente para cada compartimento de recursos para um recurso categórico.

Agrupar compartimentos de baixa população. Bundle.None(0): sem agrupamento, Bundle.AggregateLowPopulation(1): agrupar baixa população, Bundle.Adjacent(2): pacote de população baixa vizinho.

Se deve ser dividido com base em vários valores de recursos categóricos.

Compacte o conjunto de árvores.

Seja para utilizar o disco ou as instalações de transposição nativas dos dados (quando aplicável) ao executar o transpose.

O coeficiente de entropia (regularização) entre 0 e 1.

Coluna a ser usada, por exemplo, peso.

Imprimir divisão de tempo de execução para ML.NET canal.

Coluna a ser usada para recursos.

O recurso usa primeiro o coeficiente de penalidade.

Se os recursos serão coletados durante a preparação do conjunto de dados para acelerar o treinamento.

A fração de recursos (escolhida aleatoriamente) a ser usada em cada iteração. Use 0.9 se apenas 90% de recursos forem necessários. Números mais baixos ajudam a reduzir o excesso de ajuste.

A fração de recursos (escolhida aleatoriamente) a ser usada em cada divisão. Se o valor for 0,9, 90% de todos os recursos serão descartados na expectativa.

O coeficiente de penalidade de reutilização do recurso (regularização).

A semente da seleção de recursos ativos.

O ajuste de árvore ganha o requisito de confiança. Considere apenas um ganho se sua probabilidade versus um ganho de escolha aleatória estiver acima desse valor.

O número de histogramas no pool (entre 2 e numLeaves).

Coluna a ser usada para rótulos.

Número máximo de valores distintos (compartimentos) por recurso.

Máximo de grupos categóricos divididos a serem considerados ao dividir em um recurso categórico. Grupos divididos são uma coleção de pontos divididos. Isso é usado para reduzir a sobreajuste quando há muitos recursos categóricos.

Máximo de pontos de divisão categóricos a serem considerados ao dividir em um recurso categórico.

Imprimir estatísticas de memória para ML.NET canal.

O número mínimo de pontos de dados necessários para formar uma nova folha de árvore.

Porcentagem mínima de exemplo categórico em uma lixeira a ser considerada para uma divisão. O padrão é 0,1% de todos os exemplos de treinamento.

Contagem mínima de exemplo categórico em uma lixeira a ser considerada para uma divisão.

O número máximo de folhas em cada árvore de regressão.

O número de pontos de dados a serem amostrados de cada folha para localizar a distribuição de rótulos.

O número de threads a serem usados.

Número total de árvores de decisão a serem criadas no conjunto.

Coluna a ser usada para exemplo groupId.

A semente do gerador de número aleatório.

Se os rótulos devem ser embaralhados em cada iteração.

Parâmetro de suavização para regularização de árvore.

A temperatura da distribuição softmax aleatória para escolher o recurso.

Nível de moderação necessário para usar a representação de recurso esparso.

Calcule valores de métrica para treinar/válido/testar a cada k rounds.