PretrainedTreeFeaturizationEstimator Класс
Определение
Важно!
Некоторые сведения относятся к предварительной версии продукта, в которую до выпуска могут быть внесены существенные изменения. Майкрософт не предоставляет никаких гарантий, явных или подразумеваемых, относительно приведенных здесь сведений.
Объект IEstimator<TTransformer> , содержащий предварительно обученный TreeEnsembleModelParameters объект и вызывающий его Fit(IDataView) , создает конструирование признаков на основе предварительно обученной модели.
public sealed class PretrainedTreeFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBasetype PretrainedTreeFeaturizationEstimator = class
inherit TreeEnsembleFeaturizationEstimatorBasePublic NotInheritable Class PretrainedTreeFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase- Наследование
Комментарии
Входные и выходные столбцы
Входные данные столбца метки должны иметь значениеSingle . Данные столбца входных признаков должны быть вектором известногоSingle размера.
Этот оценщик выводит следующие столбцы:
| Имя выходного столбца | Тип столбца | Описание |
|---|---|---|
Trees |
ВекторSingle | Выходные значения всех деревьев. |
Leaves |
Вектор Single | Идентификаторы всех покидают место, куда попадает вектор входных признаков. |
Paths |
Вектор Single | Пути, через которые проходит вектор входных признаков, чтобы достичь листьев. |
Эти выходные столбцы являются необязательными, и пользователь может изменить свои имена. Присвойте имена пропущенным столбцам значение NULL, чтобы они не были созданы.
Сведения о прогнозе
Этот оценщик создает несколько выходных столбцов из модели ансамбля дерева. Предположим, что модель содержит только одно дерево принятия решений:
Node 0
/ \
/ \
/ \
/ \
Node 1 Node 2
/ \ / \
/ \ / \
/ \ Leaf -3 Node 3
Leaf -1 Leaf -2 / \
/ \
Leaf -4 Leaf -5
Предположим, что вектор входных признаков попадает в Leaf -1. Выходные данные Trees могут быть 1-элементным вектором, где единственным значением является значение принятия решения, переносимое .Leaf -1 Выходные данные Leaves — вектор 0–1. Если достигнутая конечная позиция является $i$-й (индексируется по $-(i+1)$, поэтому первым листом является Leaf -1лист ) в дереве, $i$-е значение в Leaves будет равно 1, а все остальные значения — 0. Выходные данные Paths представляют собой 0-1-е представление узлов, передаваемых до достижения конечной части. Элемент $i$-th в Paths указывает, касается ли $i$-й узел (индексируется по $i$).
Например, достижение Leaf -1 привести к $[1, 1, 0, 0]$ в Pathsкачестве . При наличии нескольких деревьев этот оценщик просто объединяет Treess, Leavess Paths, из всех деревьев (информация первого дерева приходит на первое место в сцепленных векторах).
Ссылки на примеры использования см. в разделе См. также.
Методы
| Fit(IDataView) |
Создает объект , TreeEnsembleModelParameters который сопоставляет столбец, вызываемый InputColumnName в , |
| GetOutputSchema(SchemaShape) |
PretrainedTreeFeaturizationEstimator добавляет три столбца с плавающей векторной точкой в |
Методы расширения
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Добавьте контрольную точку кэширования в цепочку оценщика. Это гарантирует, что подчиненные оценщики будут обучены на основе кэшированных данных. Полезно иметь контрольную точку кэширования перед средствами обучения, которые принимают несколько проходов данных. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
При использовании оценщика возвращается объект-оболочка, который вызывает делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что подходит, поэтому Fit(IDataView) метод возвращает конкретно типизированный объект, а не просто общий ITransformer. Однако в то же время IEstimator<TTransformer> они часто формируются в конвейеры с большим количеством объектов, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. Для этого сценария мы можем с помощью этого метода присоединить делегат, который будет вызываться после вызова подходящего метода. |