LightGbmBinaryModelParameters Classe
Definição
Importante
Algumas informações se referem a produtos de pré-lançamento que podem ser substancialmente modificados antes do lançamento. A Microsoft não oferece garantias, expressas ou implícitas, das informações aqui fornecidas.
Parâmetros de modelo para LightGbmBinaryTrainer.
public sealed class LightGbmBinaryModelParameters : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTreetype LightGbmBinaryModelParameters = class
inherit TreeEnsembleModelParametersBasedOnRegressionTreePublic NotInheritable Class LightGbmBinaryModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree- Herança
-
LightGbmBinaryModelParameters
Propriedades
| TrainedTreeEnsemble |
Um conjunto de árvores expostas aos usuários. É um wrapper na |
Métodos
| GetFeatureWeights(VBuffer<Single>) |
Obtenha os ganhos cumulativos de divisão para cada recurso em todas as árvores. (Herdado de TreeEnsembleModelParameters) |
Implantações explícitas de interface
| ICalculateFeatureContribution.FeatureContributionCalculator |
Usado para determinar a contribuição de cada recurso para a pontuação de um exemplo por FeatureContributionCalculatingTransformer. O cálculo da contribuição de recursos consiste essencialmente em determinar quais divisões na árvore têm mais impacto na pontuação final e atribuir o valor do impacto aos recursos que determinam a divisão. Mais precisamente, a contribuição de um recurso é igual à alteração na pontuação produzida explorando a subárvore oposta sempre que um nó de decisão para o recurso especificado é encontrado. Considere um caso simples com uma única árvore de decisão que tenha um nó de decisão para o recurso binário F1. Dado um exemplo que tem o recurso F1 igual a true, podemos calcular a pontuação que ele teria obtido se escolhermos a subárvore correspondente ao recurso F1 ser igual a false, mantendo os outros recursos constantes. A contribuição do recurso F1 para o exemplo especificado é a diferença entre a pontuação original e a pontuação obtida tomando a decisão oposta no nó correspondente ao recurso F1. Esse algoritmo se estende naturalmente a modelos com muitas árvores de decisão. (Herdado de TreeEnsembleModelParameters) |
| ICanSaveModel.Save(ModelSaveContext) |
Parâmetros de modelo para LightGbmBinaryTrainer. (Herdado de ModelParametersBase<TOutput>) |