BoostedTreeOptions Classe

Options pour améliorer 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’arborescences dans chaque sac (0 pour désactiver l’ensachage).

Option permettant d’utiliser les meilleures arborescences d’étapes de régression.

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

Regrouper des bacs à faible population. Bundle.None(0) : aucun regroupement, Bundle.AggregateLowPopulation(1) : Bundle low population, Bundle.Adjacent(2) : lot de population faible voisin.

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

Compressez l’ensemble de l’arborescence.

Indique s’il faut utiliser le disque ou les installations de transposition natives des données (le cas échéant) lors de l’exécution de la transpose.

Taux d’abandon pour la régularisation de l’arborescence.

Activez l’élagage de l’arborescence post-entraînement pour éviter le surajustement. Elle nécessite un jeu de validation.

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

Colonne à utiliser pour l’exemple de poids.

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

Colonne à utiliser pour les fonctionnalités.

La caractéristique utilise tout 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 de fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque itération. Utilisez 0,9 si seulement 90 % des fonctionnalités sont nécessaires. Des nombres inférieurs permettent de réduire le surajustement.

Fraction des fonctionnalités (choisies de manière aléatoire) à utiliser sur chaque fractionnement. Si sa valeur est 0,9, 90 % de toutes les fonctionnalités seraient supprimées dans l’attente.

Coefficient de pénalité de réutilisation (régularisation) de la fonctionnalité.

Valeur initiale de la sélection de fonctionnalité active.

Filtrez zéro lambda pendant l’entraînement.

L’ajustement d’arborescence gagne en confiance. Considérez un gain uniquement si sa probabilité par rapport à un gain de choix aléatoire est supérieure à cette valeur.

Échantillonner chaque requête 1 en k fois dans la fonction GetDerivatives.

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

Colonne à utiliser pour les étiquettes.

Taux d’apprentissage.

Nombre maximal de valeurs distinctes (emplacements) par caractéristique.

Nombre maximal de groupes de fractionnements catégoriels 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.

Nombre d’étapes de recherche de ligne post-crochet.

Limite supérieure sur la valeur absolue de la sortie d’une seule arborescence.

Imprimer les statistiques de mémoire sur ML.NET canal.

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

Pourcentage minimal d’exemples catégoriels dans un bac à prendre en compte pour un fractionnement. La valeur par défaut est de 0,1 % de tous les exemples d’entraînement.

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

Taille minimale de l’étape de recherche de ligne.

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.

Algorithme d’optimisation à utiliser.

Seuil de tolérance pour l’élagage.

Taille de la fenêtre mobile pour l’élagage.

L’entraînement commence à partir d’un classement aléatoire (déterminé par /r1).

Colonne à utiliser par exemple groupId.

Valeur initiale du générateur de nombres aléatoires.

Retrait.

Paramètre de lissage pour la régularisation de l’arborescence.

Température de la distribution aléatoire softmax pour le choix de la fonctionnalité.

Niveau d’éparse nécessaire pour utiliser la représentation des fonctionnalités éparses.

Calculez les valeurs de métriques pour l’apprentissage/la validité/le test chaque k rounds.

Détermine s’il faut utiliser la recherche de ligne pour une taille d’étape.

Utilisez la fenêtre et la tolérance pour l’élagage.

Écrivez le dernier ensemble au lieu de celui déterminé par l’arrêt précoce.

Règle d’arrêt anticipée utilisée pour arrêter le processus d’entraînement une fois qu’il répond à un critère spécifié. Les choix possibles sont EarlyStoppingRuleBaseles implémentations de , telles que TolerantEarlyStoppingRule et GeneralityLossRule.