FastTreeBinaryTrainer.Options Sınıf

Varsayılan değerlerle yeni FastTreeBinaryTrainer.Options bir nesne oluşturun.

Kök bölme imkansız olduğunda eğitimin devam etmesine izin verin.

Her çantada kullanılan eğitim örneklerinin yüzdesi. Varsayılan değer 0,7 (%70).

Her torbadaki ağaç sayısı (paketlemeyi devre dışı bırakmak için 0).

En iyi regresyon adım ağaçlarını kullanma seçeneği.

Kategorik bir özellik için her özellik kutusu için gradyan hesaplamaya yönelik sapma.

Düşük popülasyon bölmelerini paketle. Bundle.None(0): paketleme yok, Bundle.AggregateLowPopulation(1): Düşük popülasyonlu paket, Bundle.Adjacent(2): Komşu düşük popülasyon paketi.

Birden çok kategorik özellik değerine göre bölme yapılıp yapılmayacağınız.

Ağaç Topluluğu'na sıkıştırın.

İşlemi gerçekleştirirken diskin mi yoksa verilerin yerel transpozisyon olanaklarının mı (uygunsa) kullanılıp kullanılmayacağı.

Ağaç düzenlileştirme için bırakma oranı.

Fazla uygunluktan kaçınmak için eğitim sonrası ağaç ayıklamayı etkinleştirin. Bir doğrulama kümesi gerektirir.

0 ile 1 arasındaki entropi (normalleştirme) katsayısı.

Kullanılacak sütun örneğin ağırlık.

Yürütme süresi dökümünü ML.NET kanala yazdırın.

Özellikler için kullanılacak sütun.

Özellik ilk olarak ceza katsayısını kullanır.

Eğitimi hızlandırmak için veri kümesi hazırlığı sırasında özelliklerin toplanıp toplanmayacağı.

Her yinelemede kullanılacak özelliklerin kesri (rastgele seçilir). Özelliklerin yalnızca %90'ının gerekli olması durumunda 0,9 kullanın. Düşük sayılar fazla uyumu azaltmaya yardımcı olur.

Her bölmede kullanılacak özelliklerin kesri (rastgele seçilir). Değeri 0,9 ise tüm özelliklerin %90'ı beklentiye düşer.

Özellik yeniden kullanım ceza (normalleştirme) katsayısı.

Etkin özellik seçiminin tohumu.

Eğitim sırasında sıfır lambda filtreleyin.

Ağaç sığdırma güvenilirlik gereksinimi elde edin. Yalnızca bu değerin üzerinde rastgele bir seçim kazancıyla karşı karşıya olma olasılığı varsa bir kazancı göz önünde bulundurun.

GetDerivatives işlevinde her 1 sorguyu k kez örnekle.

Havuzdaki histogram sayısı (2 ile numLeaves arasında).

Etiketler için kullanılacak sütun.

Öğrenme oranı.

Özellik başına en fazla ayrı değer (bölme) sayısı.

Kategorik bir özelliğe bölünürken dikkate alınacak kategorik bölme grupları üst sınırı. Bölünmüş gruplar, bölünmüş noktalardan oluşan bir koleksiyonlardır. Bu, birçok kategorik özellik olduğunda fazla uygunluğu azaltmak için kullanılır.

Kategorik bir özelliğe bölünürken dikkate alınacak en fazla kategorik bölme noktası.

Köşeli ayraç sonrası satır arama adımlarının sayısı.

Tek ağaç çıkışının mutlak değerinde üst sınır.

Bellek istatistiklerini ML.NET kanala yazdırın.

Yeni bir ağaç yaprağı oluşturmak için gereken en az sayıda veri noktası.

Bölme için dikkate alınacak en düşük kategorik örnek yüzdesi. Varsayılan değer tüm eğitim örneklerinin %0,1'idir.

Bölme için dikkate alınacak en düşük kategorik örnek sayısı.

Minimum satır arama adımı boyutu.

Her regresyon ağacındaki en fazla yaprak sayısı.

Kullanılacak iş parçacığı sayısı.

Toplulukta oluşturulacak toplam karar ağacı sayısı.

Kullanılacak iyileştirme algoritması.

Budama için tolerans eşiği.

Budama için hareketli pencere boyutu.

Eğitim rastgele sıralamadan başlar (/r1 tarafından belirlenir).

Kullanılacak sütun, örneğin groupId.

Rastgele sayı oluşturucunun tohumu.

Büzülme.

Ağaç düzenlileştirme için düzeltme parametresi.

Özelliği seçmek için rastgele softmax dağılımının sıcaklığı.

Seyrek özellik gösterimini kullanmak için sparsity düzeyi gereklidir.

Her k turda eğit/geçerli/test için ölçüm değerlerini hesaplayın.

Dengesiz eğitim verileri için iyileştirilmiş türevlerin kullanılıp kullanılmaymayacağı.

Adım boyutu için satır aramanın kullanılıp kullanılmayacağını belirler.

Budama için pencere ve tolerans kullanın.

Erken durdurularak belirlenen grup yerine son topluluğu yazın.

Erken durdurulan ölçümler.

Belirtilen ölçüt karşılandığında eğitim sürecini sonlandırmak için kullanılan erken durdurma kuralı. Olası seçenekler ve GeneralityLossRulegibi TolerantEarlyStoppingRule uygulamalarıdırEarlyStoppingRuleBase.

FastTree(Seçenekler) içinde kullanılan için FastTreeBinaryTrainer seçenekleri.