FastForestRegressionTrainer.Options Clase

Opciones de como FastForestRegressionTrainer se usa en FastForest(Options).

Cuando una división raíz es imposible, permita que el entrenamiento continúe.

Porcentaje de ejemplos de entrenamiento usados en cada bolsa. El valor predeterminado es 0,7 (70 %).

Número de árboles de cada contenedor (0 para deshabilitar el etiquetado).

Sesgo para calcular el degradado de cada intervalo de características para una característica de categorías.

Agrupar cubos de población bajos. Bundle.None(0): no hay agrupación, Bundle.AggregateLowPopulation(1): Agrupación de población baja, Bundle.Adjacent(2): agrupación de población baja vecina.

Si se debe dividir en función de varios valores de características de categorías.

Comprima el conjunto de árboles.

Si se va a utilizar el disco o las instalaciones nativas de transposición de los datos (si procede) al realizar la transposición.

Coeficiente de entropía (regularización) entre 0 y 1.

Columna que se va a usar por ejemplo, peso.

Desglose del tiempo de ejecución de impresión en ML.NET canal.

Columna que se va a usar para las características.

Coeficiente de penalización del primer uso de una característica.

Si se recopilan características durante la preparación del conjunto de datos para acelerar el entrenamiento.

Fracción de características (elegidas aleatoriamente) que se van a usar en cada iteración. Use el 0,9 si solo se necesita el 90 % de las características. Los números más bajos ayudan a reducir el sobreajuste.

Fracción de características (elegidas aleatoriamente) que se usarán en cada división. Si el valor es del 0,9, el 90 % de todas las características se descartaría según lo esperado.

Coeficiente de penalización de uso (regularización) de la característica.

Valor de inicialización de la selección de características activa.

El ajuste de árbol obtiene un requisito de confianza. Considere solo una ganancia si su probabilidad frente a una ganancia de elección aleatoria está por encima de este valor.

Número de histogramas del grupo (entre 2 y numLeaves).

Columna que se va a usar para las etiquetas.

Número máximo de valores distintos (intervalos) por característica.

Número máximo de grupos de división por categorías que se deben tener en cuenta al dividir en una característica de categorías. Los grupos divididos son una colección de puntos de división. Esto se usa para reducir el sobreajuste cuando hay muchas características categóricas.

Máximo de puntos de división categóricos que se deben tener en cuenta al dividir en una característica de categorías.

Imprima estadísticas de memoria en ML.NET canal.

Número mínimo de puntos de datos necesarios para formar una nueva hoja de árbol.

Porcentaje mínimo de ejemplo de categorías en un contenedor que se debe tener en cuenta para una división. El valor predeterminado es el 0,1 % de todos los ejemplos de entrenamiento.

Recuento mínimo de ejemplos de categorías en un contenedor que se debe tener en cuenta para una división.

Número máximo de hojas en cada árbol de regresión.

Número de puntos de datos que se van a muestrear de cada hoja para buscar la distribución de etiquetas.

El número de subprocesos que se va a usar.

Número total de árboles de decisión que se van a crear en el conjunto.

Columna que se va a usar por ejemplo groupId.

Inicialización del generador de números aleatorios.

Si se van a ordenar aleatoriamente las etiquetas en cada iteración.

Parámetro de suavizado para la regularización de árboles.

La temperatura de la distribución softmax aleatoria para elegir la característica.

Nivel de dispersidad necesario para usar la representación de características dispersas.

Calcule los valores de métricas de entrenamiento, válidos y de prueba cada k rounds.