LightGbmRankingTrainer Třída
Definice
Důležité
Některé informace platí pro předběžně vydaný produkt, který se může zásadně změnit, než ho výrobce nebo autor vydá. Microsoft neposkytuje žádné záruky, výslovné ani předpokládané, týkající se zde uváděných informací.
Pro IEstimator<TTransformer> trénování modelu hodnocení rozhodovacího stromu s využitím 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)- Dědičnost
Poznámky
K vytvoření tohoto trenéra použijte LightGbm nebo LightGbm(Možnosti).
Vstupní a výstupní sloupce
Datový typ vstupního popisku musí být typ klíče nebo Single. Hodnota popisku určuje relevance, kde vyšší hodnoty označují vyšší relevance. Pokud je popisek typem klíče , pak je index klíče hodnotou relevance, kde nejmenší index je nejméně relevantní. Pokud je Singlepopisek , větší hodnoty označují vyšší význam. Sloupec funkce musí být vektorem Single známé velikosti a vstupním sloupcem skupiny řádků musí být typ klíče .
Tento trenér vypíše následující sloupce:
| Název výstupního sloupce | Typ sloupce | Description |
|---|---|---|
Score |
Single | Nevázané skóre vypočítané modelem k určení předpovědi. |
Charakteristiky trenéra
| Úloha strojového učení | Pořadí |
| Vyžaduje se normalizace? | No |
| Vyžaduje se ukládání do mezipaměti? | No |
| Povinné nuGet kromě Microsoft.ML | Microsoft.ML.LightGbm |
| Exportovatelný do ONNX | No |
Podrobnosti o trénovacím algoritmu
LightGBM je open source implementace rozhodovacího stromu pro zvýšení přechodu. Podrobnosti o implementaci najdete v oficiální dokumentaci k LightGBM nebo v tomto dokumentu.
V části Viz také najdete odkazy na příklady použití.
Pole
| FeatureColumn |
Sloupec funkcí, který trenér očekává. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Volitelný sloupec groupID, který očekává trenér hodnocení. (Zděděno od TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Sloupec popisku, který trenér očekává. Může to být |
| WeightColumn |
Sloupec hmotnosti, který trenér očekává. Může být |
Vlastnosti
| Info |
Pro IEstimator<TTransformer> trénování modelu hodnocení rozhodovacího stromu s využitím LightGBM. (Zděděno od LightGbmTrainerBase<TOptions,TOutput,TTransformer,TModel>) |
Metody
| Fit(IDataView, IDataView) |
LightGbmRankingTrainer Trénování pomocí trénovacích i ověřovacích dat vrátí RankingPredictionTransformer<TModel>hodnotu . |
| Fit(IDataView) |
Vlaky a vrátí ITransformerhodnotu . (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pro IEstimator<TTransformer> trénování modelu hodnocení rozhodovacího stromu s využitím LightGBM. (Zděděno od TrainerEstimatorBase<TTransformer,TModel>) |
Metody rozšíření
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Připojte k řetězci odhadu kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby se podřízené estimátory natrénovaly na data uložená v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Pokud získáte odhadátor, vraťte obtékání objektu, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně zadaný objekt, a ne jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadovačů prostřednictvím EstimatorChain<TLastTransformer> toho, kde je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, uložen někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po volání fit. |