PretrainedTreeFeaturizationEstimator Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Eine IEstimator<TTransformer> , die ein vortrainiertes TreeEnsembleModelParameters und aufrufende enthält Fit(IDataView) , erzeugt einen Featurizer basierend auf dem vortrainierten Modell.
public sealed class PretrainedTreeFeaturizationEstimator : Microsoft.ML.Trainers.FastTree.TreeEnsembleFeaturizationEstimatorBasetype PretrainedTreeFeaturizationEstimator = class
inherit TreeEnsembleFeaturizationEstimatorBasePublic NotInheritable Class PretrainedTreeFeaturizationEstimator
Inherits TreeEnsembleFeaturizationEstimatorBase- Vererbung
Hinweise
Eingabe- und Ausgabespalten
Die Spaltendaten der Eingabebezeichnung müssen seinSingle. Die Spaltendaten der Eingabefeatures müssen ein Vektor vonSingle bekannter Größe sein.
Dieser Schätzer gibt die folgenden Spalten aus:
| Name der Ausgabespalte | Spaltentyp | BESCHREIBUNG |
|---|---|---|
Trees |
Vektor vonSingle | Die Ausgabewerte aller Strukturen. |
Leaves |
Vektor von Single | Die IDs aller Blätter, in die der Eingabefunktionsvektor fällt. |
Paths |
Vektor von Single | Die Pfade, die der Eingabefunktionsvektor durchlaufen hat, um die Blätter zu erreichen. |
Diese Ausgabespalten sind alle optional, und benutzer können ihre Namen ändern. Legen Sie die Namen übersprungener Spalten auf NULL fest, damit sie nicht erzeugt werden.
Details zur Vorhersage
Dieser Schätzer erzeugt mehrere Ausgabespalten aus einem Strukturensemblemodell. Angenommen, das Modell enthält nur eine Entscheidungsstruktur:
Node 0
/ \
/ \
/ \
/ \
Node 1 Node 2
/ \ / \
/ \ / \
/ \ Leaf -3 Node 3
Leaf -1 Leaf -2 / \
/ \
Leaf -4 Leaf -5
Angenommen, der Eingabefunktionsvektor fällt in Leaf -1. Die Ausgabe Trees kann ein Vektor mit 1 Element sein, wobei der einzige Wert der von getragene Leaf -1Entscheidungswert ist. Die Ausgabe Leaves ist ein 0-1-Vektor. Wenn das erreichte Blatt das $i$-th (indiziert durch $-(i+1)$ ist, sodass das erste Blatt ) in der Struktur ist Leaf -1, wäre der $i$-th-Wert in Leaves 1 und alle anderen Werte wären 0. Die Ausgabe Paths ist eine 0-1-Darstellung der Knoten, die vor dem Erreichen des Blatts durchlaufen werden. Das $i$-th-Element in Paths gibt an, ob der $i$-ten Knoten (indiziert durch $i$) berührt wird.
Beispiel: Erreichen von Leaf -1 lead auf $[1, 1, 0, 0]$ als Paths. Wenn mehrere Strukturen vorhanden sind, verkettet Treesdieser Schätzer einfach "s", Leaves"s", Paths"s" aus allen Bäumen (die Informationen der ersten Struktur kommen in den verketteten Vektoren an erster Stelle).
Im Abschnitt Siehe auch finden Sie Links zu Verwendungsbeispielen.
Methoden
| Fit(IDataView) |
Erstellen Sie eine TreeEnsembleModelParameters , die die in aufgerufene InputColumnName |
| GetOutputSchema(SchemaShape) |
PretrainedTreeFeaturizationEstimator fügt drei Floatvektorspalten hinzu |
Erweiterungsmethoden
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie der Schätzungskette einen Zwischenspeicherungsprüfpunkt an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer für zwischengespeicherte Daten trainiert werden. Es ist hilfreich, vor Trainern, die mehrere Datendurchläufe durchführen, einen Zwischenspeicherungsprüfpunkt zu haben. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einem Schätzer ein umschließendes Objekt zurück, das nach Fit(IDataView) dem Aufruf einen Delegaten aufruft. Es ist oft wichtig, dass ein Schätzer Informationen darüber zurückgibt, was geeignet war. Daher gibt die Fit(IDataView) Methode ein speziell typisiertes Objekt zurück, anstatt nur ein allgemeines ITransformer. Zur gleichen Zeit IEstimator<TTransformer> werden jedoch häufig Pipelines mit vielen Objekten gebildet, sodass wir möglicherweise eine Kette von Schätzern erstellen müssen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette vergraben ist. Für dieses Szenario können wir über diese Methode einen Delegaten anfügen, der aufgerufen wird, sobald fit aufgerufen wird. |