LightGbmRegressionModelParameters Classe
Definizione
Importante
Alcune informazioni sono relative alla release non definitiva del prodotto, che potrebbe subire modifiche significative prima della release definitiva. Microsoft non riconosce alcuna garanzia, espressa o implicita, in merito alle informazioni qui fornite.
Parametri del modello per LightGbmRegressionTrainer.
public sealed class LightGbmRegressionModelParameters : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTreetype LightGbmRegressionModelParameters = class
inherit TreeEnsembleModelParametersBasedOnRegressionTreePublic NotInheritable Class LightGbmRegressionModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree- Ereditarietà
-
LightGbmRegressionModelParameters
Proprietà
| TrainedTreeEnsemble |
Insieme di alberi esposti agli utenti. È un wrapper nell'oggetto |
Metodi
| GetFeatureWeights(VBuffer<Single>) |
Ottenere i miglioramenti cumulativi della divisione per ogni funzionalità in tutti gli alberi. (Ereditato da TreeEnsembleModelParameters) |
Implementazioni dell'interfaccia esplicita
| ICalculateFeatureContribution.FeatureContributionCalculator |
Usato per determinare il contributo di ogni funzionalità al punteggio di un esempio da FeatureContributionCalculatingTransformer. Il calcolo del contributo di funzionalità consiste essenzialmente nel determinare quali divisioni nell'albero hanno l'impatto maggiore sul punteggio finale e assegnare il valore dell'impatto alle funzionalità che determinano la divisione. Più precisamente, il contributo di una funzionalità è uguale alla modifica del punteggio prodotto esplorando il sottoalbero opposto ogni volta che viene rilevato un nodo decisionale per la funzionalità specificata. Si consideri un caso semplice con un singolo albero delle decisioni con un nodo decisionale per la funzionalità binaria F1. Dato un esempio con la caratteristica F1 uguale a true, è possibile calcolare il punteggio ottenuto se si scegliesse il sottoalbero corrispondente alla funzionalità F1 uguale a false mantenendo le altre funzionalità costanti. Il contributo della caratteristica F1 per l'esempio specificato è la differenza tra il punteggio originale e il punteggio ottenuto prendendo la decisione opposta nel nodo corrispondente alla caratteristica F1. Questo algoritmo si estende naturalmente ai modelli con molti alberi delle decisioni. (Ereditato da TreeEnsembleModelParameters) |
| ICanSaveModel.Save(ModelSaveContext) |
Parametri del modello per LightGbmRegressionTrainer. (Ereditato da ModelParametersBase<TOutput>) |