FastForestRegressionTrainer.Options Classe

Opzioni per l'oggetto FastForestRegressionTrainer utilizzato in FastForest(Options).

Quando una suddivisione radice è impossibile, consentire al training di procedere.

Percentuale di esempi di training usati in ogni contenitore. Il valore predefinito è 0,7 (70%).

Numero di alberi in ogni borsa (0 per disabilitare il bagging).

Distorsione per il calcolo della sfumatura per ogni contenitore di funzionalità per una funzionalità categorica.

Aggregare contenitori a bassa popolazione. Bundle.None(0): nessun bundle, Bundle.AggregateLowPopulation(1): popolamento basso bundle, Bundle.Adjacent(2): bundle a basso popolamento adiacente.

Se eseguire la suddivisione in base a più valori di funzionalità categorica.

Comprimere l'ensemble dell'albero.

Indica se utilizzare il disco o le strutture native del ripristino dei dati (ove applicabile) durante l'esecuzione della trasposizione.

Coefficiente di entropia (regolarizzazione) compreso tra 0 e 1.

Colonna da utilizzare per esempio peso.

Stampa la suddivisione del tempo di esecuzione nel canale ML.NET.

Colonna da usare per le funzionalità.

Coefficiente di penalità per il primo utilizzo della funzionalità.

Indica se raccogliere le funzionalità durante la preparazione del set di dati per velocizzare il training.

Frazione delle caratteristiche (scelta in modo casuale) da usare in ogni iterazione. Usare 0,9 se è necessario solo il 90% delle funzionalità. I numeri inferiori consentono di ridurre l'overfitting.

Frazione delle caratteristiche (scelta in modo casuale) da usare in ogni divisione. Se si tratta di un valore pari a 0,9, il 90% di tutte le funzionalità verrà eliminato in previsione.

Coefficiente di penalità (regolarizzazione) della funzionalità.

Valore di inizializzazione della selezione della caratteristica attiva.

L'adattamento ad albero ottiene un requisito di attendibilità. Si consideri solo un guadagno se la probabilità rispetto a un guadagno di scelta casuale è superiore a questo valore.

Numero di istogrammi nel pool (tra 2 e numLeaves).

Colonna da usare per le etichette.

Numero massimo di valori distinti (bin) per funzionalità.

Numero massimo di gruppi di suddivisione categorica da considerare durante la suddivisione in una funzionalità categorica. I gruppi suddivisi sono una raccolta di punti di divisione. Questo viene usato per ridurre l'overfitting quando sono presenti molte funzionalità categorica.

Numero massimo di punti di divisione categorici da considerare durante la suddivisione in una funzionalità categorica.

Stampare le statistiche di memoria in ML.NET canale.

Numero minimo di punti dati necessari per formare una nuova foglia dell'albero.

Percentuale di esempio categorica minima in un bin da considerare per una divisione. Il valore predefinito è 0,1% di tutti gli esempi di training.

Numero minimo di esempi categorici in un bin da considerare per una divisione.

Numero massimo di foglie in ogni albero di regressione.

Numero di punti dati da campionare da ogni foglia per trovare la distribuzione delle etichette.

Numero di thread da usare.

Numero totale di alberi delle decisioni da creare nell'ensemble.

Colonna da utilizzare per l'esempio groupId.

Valore di inizializzazione del generatore di numeri casuali.

Indica se eseguire la sequenza casuale delle etichette in ogni iterazione.

Parametro smoothing per la regolarizzazione dell'albero.

Temperatura della distribuzione softmax casuale per la scelta della funzionalità.

Livello di spaziatura necessario per usare la rappresentazione di funzionalità di tipo sparse.

Calcolare i valori delle metriche per training/valid/test ogni k round.