LightGbmBinaryModelParameters 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.
Modellparameter für LightGbmBinaryTrainer.
public sealed class LightGbmBinaryModelParameters : Microsoft.ML.Trainers.FastTree.TreeEnsembleModelParametersBasedOnRegressionTreetype LightGbmBinaryModelParameters = class
inherit TreeEnsembleModelParametersBasedOnRegressionTreePublic NotInheritable Class LightGbmBinaryModelParameters
Inherits TreeEnsembleModelParametersBasedOnRegressionTree- Vererbung
-
LightGbmBinaryModelParameters
Eigenschaften
| TrainedTreeEnsemble |
Ein Ensemble von Bäumen, die Benutzern ausgesetzt sind. Es ist ein Wrapper auf dem |
Methoden
| GetFeatureWeights(VBuffer<Single>) |
Erhalten Sie die kumulativen Geteilten Gewinne für jedes Feature über alle Bäume hinweg. (Geerbt von TreeEnsembleModelParameters) |
Explizite Schnittstellenimplementierungen
| ICalculateFeatureContribution.FeatureContributionCalculator |
Wird verwendet, um den Beitrag jedes Features zur Bewertung eines Beispiels zu bestimmen.FeatureContributionCalculatingTransformer Die Berechnung des Featurebeitrags besteht im Wesentlichen darin, zu bestimmen, welche Aufteilungen in der Struktur die größten Auswirkungen auf die Endbewertung haben und den Wert der Auswirkungen auf die Features zuweisen, die die Aufteilung bestimmen. Genauer gesagt ist der Beitrag eines Features gleich der Änderung der Bewertung, die erstellt wird, indem sie die entgegengesetzte Unterstruktur jedes Mal untersuchen, wenn ein Entscheidungsknoten für das angegebene Feature auftritt. Betrachten Sie einen einfachen Fall mit einer einzelnen Entscheidungsstruktur mit einem Entscheidungsknoten für das binäre Feature F1. Angesichts eines Beispiels, das das Feature F1 gleich "true" aufweist, können wir die Bewertung berechnen, die sie erhalten hätte, wenn wir die Teilstruktur ausgewählt haben, die dem Feature F1 entspricht, wobei die anderen Featureskonstanten beibehalten werden. Der Beitrag von Feature F1 für das angegebene Beispiel ist der Unterschied zwischen der ursprünglichen Bewertung und der Bewertung, die durch die entgegengesetzte Entscheidung am Knoten erzielt wird, der dem Feature F1 entspricht. Dieser Algorithmus erstreckt sich natürlich auf Modelle mit vielen Entscheidungsbäumen. (Geerbt von TreeEnsembleModelParameters) |
| ICanSaveModel.Save(ModelSaveContext) |
Modellparameter für LightGbmBinaryTrainer. (Geerbt von ModelParametersBase<TOutput>) |