BoostedTreeOptions Classe

Opções para aumentar os treinadores de árvore.

Quando uma divisão raiz for impossível, permita que o treinamento continue.

Porcentagem de exemplos de treinamento usados em cada recipiente. O padrão é 0,7 (70%).

Número de árvores em cada saco (0 para desabilitar o ensaca).

Opção para usar as melhores árvores de etapas de regressão.

Desvio para calcular o gradiente para cada compartimento de recursos para um recurso categórico.

Agrupar compartimentos de baixa população. Bundle.None(0): sem agrupamento, Bundle.AggregateLowPopulation(1): agrupar baixa população, Bundle.Adjacent(2): pacote vizinho de baixa população.

Se deve ser dividido com base em vários valores de recurso categóricos.

Compacte a árvore Ensemble.

Se é necessário utilizar o disco ou as instalações de transposição nativas dos dados (quando aplicável) ao executar a transposição.

Taxa de abandono para regularização de árvore.

Habilite a remoção de árvore pós-treinamento para evitar o sobreajuste. Ele requer um conjunto de validação.

O coeficiente de entropia (regularização) entre 0 e 1.

Coluna a ser usada, por exemplo, peso.

Análise do tempo de execução de impressão para ML.NET canal.

Coluna a ser usada para recursos.

O recurso primeiro usa o coeficiente de penalidade.

Se os recursos devem ser coletados durante a preparação do conjunto de dados para acelerar o treinamento.

A fração de recursos (escolhida aleatoriamente) a ser usada em cada iteração. Use 0,9 se apenas 90% dos recursos forem necessários. Números mais baixos ajudam a reduzir o excesso de ajuste.

A fração de recursos (escolhida aleatoriamente) a ser usada em cada divisão. Se o valor for 0,9, 90% de todos os recursos serão descartados na expectativa.

O coeficiente de penalidade de reutilização (regularização) do recurso.

A semente da seleção de recursos ativos.

Filtrar zero lambdas durante o treinamento.

Requisito de confiança de ganho de ajuste de árvore. Considere apenas um ganho se sua probabilidade versus um ganho de escolha aleatória estiver acima desse valor.

Amostra cada consulta 1 em k vezes na função GetDerivatives.

O número de histogramas no pool (entre 2 e numLeaves).

Coluna a ser usada para rótulos.

A taxa de aprendizado.

Número máximo de valores distintos (compartimentos) por recurso.

Máximo de grupos divididos categóricos a serem considerados ao dividir em um recurso categórico. Grupos divididos são uma coleção de pontos de divisão. Isso é usado para reduzir o sobreajuste quando há muitos recursos categóricos.

Máximo de pontos de divisão categóricos a serem considerados ao dividir em um recurso categórico.

Número de etapas de pesquisa de linha pós-colchete.

Limite superior no valor absoluto da saída de árvore única.

Imprimir estatísticas de memória em ML.NET canal.

O número mínimo de pontos de dados necessários para formar uma nova folha de árvore.

Percentual mínimo de exemplo categórico em um compartimento a ser considerado para uma divisão. O padrão é 0,1% de todos os exemplos de treinamento.

Contagem mínima de exemplo categórico em um compartimento a ser considerado para uma divisão.

Tamanho mínimo da etapa de pesquisa de linha.

O número máximo de folhas em cada árvore de regressão.

O número máximo de threads.

Número total de árvores de decisão a serem criadas no conjunto.

Algoritmo de otimização a ser usado.

O limite de tolerância para remoção.

O tamanho da janela móvel para remoção.

O treinamento começa com a ordenação aleatória (determinada por /r1).

Coluna a ser usada, por exemplo, groupId.

A semente do gerador de número aleatório.

Encolhimento.

Parâmetro de suavização para regularização de árvore.

A temperatura da distribuição softmax aleatória para escolher o recurso.

Nível de moderação necessário para usar a representação de recursos esparsos.

Calcule valores de métrica para treinamento/válido/teste a cada k rounds.

Determina se a pesquisa de linha deve ser usada para um tamanho de etapa.

Use janela e tolerância para remoção.

Escreva o último conjunto em vez do determinado pela parada antecipada.

Regra de interrupção antecipada usada para encerrar o processo de treinamento depois de atender a um critério especificado. As opções possíveis são EarlyStoppingRuleBaseimplementações de , como TolerantEarlyStoppingRule e GeneralityLossRule.