FastTreeRegressionTrainer.Options Класс

Создайте новый FastTreeRegressionTrainer.Options объект со значениями по умолчанию.

Если корневое разделение невозможно, разрешите продолжить обучение.

Процент примеров обучения, используемых в каждой сумке. Значение по умолчанию — 0,7 (70 %).

Количество деревьев в каждой сумке (0 для отключения мешков).

Параметр для использования деревьев шагов наилучшей регрессии.

Смещение для вычисления градиента для каждой ячейки признаков для категориального признака.

Упаковывая ячейки с низким заполнением. Bundle.None(0): без объединения, Bundle.AggregateLowPopulation(1): низкая заполненность пакета, Bundle.Adjacent(2): соседняя группа с низким заполнением.

Следует ли выполнять разделение на основе нескольких категориальных значений признаков.

Сожмите древовидную ансамбля.

Следует ли использовать диск или собственные средства транспозиции данных (если применимо) при выполнении транспонирования.

Коэффициент отсева для регуляризации деревьев.

Включите обрезку дерева после обучения, чтобы избежать переобучения. Для этого требуется проверочный набор.

Коэффициент энтропии (регуляризация) в диапазоне от 0 до 1.

Столбец, используемый в качестве примера веса.

Разбивка времени выполнения печати в ML.NET канале.

Столбец, используемый для функций.

Признак, который первым использует штрафной коэффициент.

Указывает, следует ли собирать признаки во время подготовки набора данных, чтобы ускорить обучение.

Доля признаков (выбранных случайным образом) для использования в каждой итерации. Используйте 0,9, если требуется только 90 % функций. Более низкие числа помогают уменьшить чрезмерное количество привязок.

Доля признаков (выбранных случайным образом) для каждого разбиения. Если значение равно 0,9, 90 % всех функций будет отброшено в ожидании.

Коэффициент повторного использования штрафа (регуляризации) функции.

Начальное значение выбора активного компонента.

Фильтрация нулевых лямбда-выражений во время обучения.

Установка дерева требует уверенности. Учитывайте выигрыш, только если его вероятность по сравнению со случайным выигрышем превышает это значение.

Выборка каждого запроса 1 в k раз в функции GetDerivatives.

Количество гистограмм в пуле (от 2 до numLeaves).

Столбец, используемый для меток.

Скорость обучения.

Максимальное число уникальных значений (интервалов) на признак.

Максимальное число категориальных групп разделения, которые следует учитывать при разделении по категориальным признаку. Разделенные группы — это коллекция точек разбиения. Это используется для уменьшения переобучений при наличии большого количества категориальных признаков.

Максимальное количество категориальных точек разделения, которые следует учитывать при разделении по категориальной признаку.

Количество шагов поиска строки после скобки.

Верхняя граница для абсолютного значения выходных данных одного дерева.

Вывод статистики памяти в канал ML.NET.

Минимальное количество точек данных, необходимых для формирования нового листа дерева.

Минимальный процент категориального примера в ячейке, который следует учитывать для разделения. Значение по умолчанию составляет 0,1 % от всех примеров обучения.

Минимальное число категориальных примеров в ячейке для разделения.

Минимальный размер шага поиска строк.

Максимальное количество листьев в каждом дереве регрессии.

Количество потоков для использования.

Общее количество деревьев принятия решений, создаваемых в ансамбле.

Используемый алгоритм оптимизации.

Пороговое значение допуска для обрезки.

Размер перемещаемого окна для обрезки.

Обучение начинается со случайного упорядочения (определяется параметром /r1).

Столбец для использования, например groupId.

Начальное значение генератора случайных чисел.

Усадки.

Параметр smoothing для регуляризации дерева.

Температура случайного распределения softmax для выбора функции.

Уровень разреженности, необходимый для использования разреженного представления признаков.

Вычислите значения метрик для обучения, допустимости и тестирования каждые k раундов.

Определяет, следует ли использовать поиск по строкам для размера шага.

Используйте окно и допустимое значение для обрезки.

Напишите последний ансамбль вместо того, который определяется ранней остановкой.

Метрики ранней остановки.

Правило ранней остановки, используемое для завершения процесса обучения после выполнения указанного критерия. Возможные варианты реализации, EarlyStoppingRuleBaseтакие как TolerantEarlyStoppingRule и GeneralityLossRule.

Параметры для , FastTreeRegressionTrainer используемые в FastTree(Options).