FastTreeBinaryTrainer Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Pour IEstimator<TTransformer> entraîner un modèle de classification binaire d’arbre de décision à l’aide de FastTree.
public sealed class FastTreeBinaryTrainer : Microsoft.ML.Trainers.FastTree.BoostingFastTreeTrainerBase<Microsoft.ML.Trainers.FastTree.FastTreeBinaryTrainer.Options,Microsoft.ML.Data.BinaryPredictionTransformer<Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.FastTreeBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>,Microsoft.ML.Calibrators.CalibratedModelParametersBase<Microsoft.ML.Trainers.FastTree.FastTreeBinaryModelParameters,Microsoft.ML.Calibrators.PlattCalibrator>>type FastTreeBinaryTrainer = class
inherit BoostingFastTreeTrainerBase<FastTreeBinaryTrainer.Options, BinaryPredictionTransformer<CalibratedModelParametersBase<FastTreeBinaryModelParameters, PlattCalibrator>>, CalibratedModelParametersBase<FastTreeBinaryModelParameters, PlattCalibrator>>Public NotInheritable Class FastTreeBinaryTrainer
Inherits BoostingFastTreeTrainerBase(Of FastTreeBinaryTrainer.Options, BinaryPredictionTransformer(Of CalibratedModelParametersBase(Of FastTreeBinaryModelParameters, PlattCalibrator)), CalibratedModelParametersBase(Of FastTreeBinaryModelParameters, PlattCalibrator))- Héritage
Remarques
Pour créer ce formateur, utilisez FastTree ou FastTree(Options).
Colonnes d’entrée et de sortie
Les données de la colonne d’étiquettes d’entrée doivent être Boolean. Les données de colonne des caractéristiques d’entrée doivent être un vecteur de taille connue de Single.
Cet entraîneur génère les colonnes suivantes :
| Nom de la colonne de sortie | Type de colonne | Description | |
|---|---|---|---|
Score |
Single | Score non lié calculé par le modèle. | |
PredictedLabel |
Boolean | Étiquette prédite, en fonction du signe du score. Un score négatif est mappé à false et un score positif est mappé à true. |
|
Probability |
Single | Probabilité calculée en calibrant le score d’avoir la valeur true comme étiquette. La valeur de probabilité est comprise dans la plage [0, 1]. |
Caractéristiques de l’entraîneur
| Tâche Machine Learning | Classification binaire |
| La normalisation est-elle nécessaire ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.FastTree |
| Exportable vers ONNX | Oui |
Détails de l’algorithme d’apprentissage
FastTree est une implémentation efficace de l’algorithme de renforcement de dégradé MART . L’amélioration de dégradé est une technique d’apprentissage automatique pour les problèmes de régression. Il génère chaque arborescence de régression de manière pas à pas, à l’aide d’une fonction de perte prédéfinie pour mesurer l’erreur de chaque étape et la corriger dans la suite. Ainsi, ce modèle de prédiction est en fait un ensemble de modèles de prédiction plus faibles. Dans les problèmes de régression, l’amélioration génère une série de ces arbres de manière pas à pas, puis sélectionne l’arbre optimal à l’aide d’une fonction de perte différente arbitraire.
MART apprend un ensemble d’arbres de régression, qui est un arbre de décision avec des valeurs scalaires dans ses feuilles. Une arborescence de décision (ou de régression) est un graphique de flux binaire de type arbre, où à chaque nœud intérieur, un nœud détermine lequel des deux nœuds enfants doit continuer à se baser sur l’une des valeurs de caractéristique de l’entrée. À chaque nœud feuille, une valeur est retournée. Dans les nœuds intérieurs, la décision est basée sur le test x <= v où x est la valeur de la fonctionnalité dans l’exemple d’entrée et v est l’une des valeurs possibles de cette fonctionnalité. Les fonctions qui peuvent être produites par une arborescence de régression sont toutes les fonctions constantes de manière fragmentée.
L’ensemble des arbres est produit par l’informatique, à chaque étape, un arbre de régression qui correspond approximativement au dégradé de la fonction de perte et l’ajoute à l’arbre précédent avec des coefficients qui réduisent la perte de l’arbre nouveau. La sortie de l’ensemble produit par MART sur une instance donnée est la somme des sorties de l’arborescence.
- En cas de problème de classification binaire, la sortie est convertie en probabilité à l’aide d’une forme d’étalonnage.
- En cas de problème de régression, la sortie est la valeur prédite de la fonction.
- En cas de problème de classement, les instances sont classées par la valeur de sortie de l’ensemble.
Pour plus d’informations, voir :
- Wikipédia : Boosting dégradé (boosting d’arbre dégradé).
- Approximation de fonction gourmande : une machine de renforcement de dégradé.
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
Champs
| Nom | Description |
|---|---|
| FeatureColumn |
Colonne de fonctionnalités attendue par l’entraîneur. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GroupIdColumn |
Colonne groupID facultative attendue par les formateurs de classement. (Hérité de TrainerEstimatorBaseWithGroupId<TTransformer,TModel>) |
| LabelColumn |
Colonne d’étiquette attendue par l’entraîneur. Peut être |
| WeightColumn |
Colonne de poids attendue par l’entraîneur. Peut être |
Propriétés
| Nom | Description |
|---|---|
| Info |
Pour IEstimator<TTransformer> entraîner un modèle de classification binaire d’arbre de décision à l’aide de FastTree. (Hérité de FastTreeTrainerBase<TOptions,TTransformer,TModel>) |
Méthodes
| Nom | Description |
|---|---|
| Fit(IDataView, IDataView) |
Effectue l’apprentissage à FastTreeBinaryTrainer l’aide de données d’entraînement et de validation, retourne un BinaryPredictionTransformer<TModel>. |
| Fit(IDataView) |
Effectue l’apprentissage et retourne un ITransformer. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
| GetOutputSchema(SchemaShape) |
Pour IEstimator<TTransformer> entraîner un modèle de classification binaire d’arbre de décision à l’aide de FastTree. (Hérité de TrainerEstimatorBase<TTransformer,TModel>) |
Méthodes d’extension
| Nom | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
En fonction d’un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets, nous devrons peut-être construire une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |