FastTreeRegressionTrainer.Options Класс

Создайте объект FastTreeRegressionTrainer.Options со значениями по умолчанию.

Если разделение корней невозможно, разрешите обучение продолжить.

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

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

Вариант использования лучших деревьев шагов регрессии.

Предвзятость для вычисления градиента для каждой ячейки признаков для категориальной функции.

Упаковывая ячейки с низким населением. Bundle.None(0): нет объединения, Bundle.AggregateLowPopulation(1): пакет с низким населением, Bundle.Adjacent(2): соседи с низким населением.

Следует ли выполнять разделение на основе нескольких категориальных значений признаков.

Сжатие ансамбля дерева.

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

Частота выпадания для нормализации дерева.

Включите обрезку дерева после обучения, чтобы избежать переполнения. Для него требуется набор проверки.

Коэффициент энтропии (нормализация) от 0 до 1.

Столбец, используемый для примера веса.

Разбивка времени выполнения на ML.NET канале.

Столбец, используемый для функций.

Функция сначала использует коэффициент штрафа.

Следует ли собирать функции во время подготовки набора данных для ускорения обучения.

Доля функций (выбранная случайным образом) для использования для каждой итерации. Используйте 0.9, если требуется только 90% функций. Более низкие числа помогают сократить избыточное количество.

Доля функций (выбранная случайным образом) для каждого разделения. Если это значение равно 0,9, 90% всех функций будут удалены в ожидании.

Коэффициент повторного использования штрафа (нормализация) функции.

Начальное значение выбора активной функции.

Фильтрация лямбда-кода во время обучения.

Требование достоверности для крепления дерева. Только рассмотрите возможность получения прибыли, если ее вероятность и случайный выбор выше этого значения.

Пример каждого запроса 1 в k раза в функции GetDerivatives.

Количество гистограмм в пуле (от 2 до числовых).

Столбец, используемый для меток.

Скорость обучения.

Максимальное количество отдельных значений (bins) для каждой функции.

Максимальное категориальное разделение групп, которые следует учитывать при разбиение по категориальной признаке. Разделенные группы — это коллекция точек разделения. Это используется для уменьшения избыточности при наличии множества категориальных признаков.

Максимальное категориальное разделение точек, которые следует учитывать при разделения на категориальную функцию.

Количество шагов поиска строки после скобки.

Верхняя граница по абсолютному значению выходных данных одного дерева.

Печать статистики памяти в канале ML.NET.

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

Минимальный категориальный пример процента в ячейке, который следует учитывать для разделения. Значение по умолчанию — 0.1% всех примеров обучения.

Минимальное число категориальных примеров в ячейке для рассмотрения разделения.

Минимальный размер шага поиска строк.

Максимальное количество листьев в каждом дереве регрессии.

Количество используемых потоков.

Общее количество деревьев принятия решений для создания в ансамбле.

Используемый алгоритм оптимизации.

Порог допустимости для обрезки.

Размер перемещаемого окна для обрезки.

Обучение начинается с случайного упорядочения (определяется /r1).

Столбец, используемый для примера groupId.

Начальное значение генератора случайных чисел.

Сжатие.

Сглаживающий параметр для нормализации дерева.

Температура случайного распределения softmax для выбора функции.

Уровень разреженности, необходимый для использования разреженного представления признаков.

Вычислите значения метрик для обучения, допустимого или тестового каждого раунда k.

Определяет, следует ли использовать поиск строк для размера шага.

Используйте окно и терпимость к обрезке.

Напишите последний ансамбль вместо того, который определяется ранней остановкой.

Ранние остановки метрик.

Правило раннего остановки, используемое для завершения процесса обучения после выполнения указанного критерия. Возможные варианты — это EarlyStoppingRuleBaseреализации, такие как TolerantEarlyStoppingRule и GeneralityLossRule.

Параметры для FastTreeRegressionTrainer использования в FastTree(Options).