FastTreeTweedieTrainer.Options Classe

Creare un nuovo FastTreeTweedieTrainer.Options oggetto con valori predefiniti.

Quando una divisione radice è impossibile, consentire al training di procedere.

Percentuale di esempi di training usati in ogni borsa. Il valore predefinito è 0,7 (70%).

Numero di alberi in ogni borsa (0 per disabilitare il bagging).

Opzione per l'uso dei migliori alberi dei passaggi di regressione.

Pregiudizio per il calcolo della sfumatura per ogni bin di funzionalità per una funzionalità categorica.

Raggruppare contenitori di popolamenti bassi. Bundle.None(0): no bundling, Bundle.AggregateLowPopulation(1): Bundle low popolamento, Bundle.Adiacenti(2): bundle a basso popolamento.

Se suddividere in base a più valori di funzionalità categorica.

Comprimere l'ensemble dell'albero.

Se usare il disco o le strutture native del ripristino dei dati (se applicabile) quando si esegue il trasposto.

Frequenza di rilascio per la regolarizzazione dell'albero.

Abilitare la potatura dell'albero post-training per evitare l'overfitting. Richiede un set di convalida.

Coefficiente di entropia (regolarizzazione) compreso tra 0 e 1.

Colonna da usare per esempio peso.

Distribuzione del tempo di esecuzione di stampa per ML.NET canale.

Colonna da usare per le funzionalità.

Coefficiente di penalità per il primo utilizzo della funzionalità.

Se raccogliere le funzionalità durante la preparazione del set di dati per velocizzare il training.

Frazione di funzionalità (scelta in modo casuale) da usare in ogni iterazione. Usare 0,9 se è necessario solo il 90% delle funzionalità. I numeri inferiori consentono di ridurre l'over-fitting.

Frazione di funzionalità (scelta in modo casuale) da usare in ogni divisione. Se si tratta di un valore pari a 0,9, il 90% di tutte le funzionalità verrà eliminato in attesa.

Coefficiente di penalità (regolarizzazione) della funzionalità.

Inizializzazione della selezione di funzionalità attiva.

Filtrare zero lambda durante il training.

Requisiti di attendibilità del montaggio ad albero. Si consideri solo un guadagno se la probabilità rispetto a un guadagno di scelta casuale è superiore a questo valore.

Esempio di ogni query 1 in k volte nella funzione GetDerivatives.

Numero di istogrammi nel pool (tra 2 e numLeaves).

Parametro di indice per la distribuzione Tweedie, nell'intervallo [1, 2]. 1 è perdita di Poisson, 2 è perdita gamma e i valori intermedi sono perdita composta di Poisson.

Colonna da usare per le etichette.

Frequenza di apprendimento.

Numero massimo di valori distinti (bin) per funzionalità.

Numero massimo di gruppi di suddivisione categorica da considerare quando si divide in una funzionalità categorica. I gruppi di divisione sono una raccolta di punti di divisione. Questa operazione viene usata per ridurre l'overfitting quando sono presenti molte funzionalità categorica.

Numero massimo di punti di divisione categorica da considerare quando si divide in una funzionalità categorica.

Numero di passaggi di ricerca post-parentesi quadre.

Limite superiore sul valore assoluto dell'output dell'albero singolo.

Stampare le statistiche sulla memoria per ML.NET canale.

Numero minimo di punti dati necessari per formare una nuova foglia dell'albero.

Percentuale minima di esempio categorico in un bin da considerare per una divisione. Il valore predefinito è 0,1% di tutti gli esempi di training.

Numero minimo di esempi categorici in un bin da considerare per una divisione.

Dimensioni minime del passaggio di ricerca della riga.

Numero massimo di foglie in ogni albero di regressione.

Numero di thread da usare.

Numero totale di alberi delle decisioni da creare nell'insieme.

Algoritmo di ottimizzazione da usare.

Soglia di tolleranza per l'eliminazione.

Dimensione della finestra di spostamento per l'eliminazione.

Il training inizia dall'ordinamento casuale (determinato da /r1).

Colonna da usare per esempio groupId.

Inizializzazione del generatore di numeri casuali.

Restringimento.

Parametro di smoothing per la regolarizzazione dell'albero.

Temperatura della distribuzione softmax casuale per la scelta della funzionalità.

Livello di sparsità necessario per usare la rappresentazione delle funzionalità sparse.

Calcolare i valori delle metriche per il training/il test valido/test ogni k round.

Determina se usare la ricerca della riga per una dimensione del passaggio.

Usare la finestra e la tolleranza per l'eliminazione.

Scrivere l'ultimo ensemble anziché quello determinato dall'arresto anticipato.

Metriche di arresto anticipato.

Regola di arresto anticipato usata per terminare il processo di training una volta che soddisfa un criterio specificato. Le possibili scelte sono EarlyStoppingRuleBaseimplementazioni, TolerantEarlyStoppingRule ad esempio e GeneralityLossRule.

Opzioni per l'oggetto FastTreeTweedieTrainer usato in FastTreeTweedie(Options).