ai.onnx.ml - 树集成回归器¶
TreeEnsembleRegressor - 5 (ai.onnx.ml)¶
版本¶
领域:
ai.onnx.mlsince_version:
5函数:
Falsesupport_level:
SupportType.COMMON形状推断:
False
此版本的运算符自ai.onnx.ml的第5版起已被弃用。
摘要¶
此操作符已弃用。请使用提供相同功能的TreeEnsemble代替。
树集成回归器。返回N中每个输入的回归值。
所有带有nodes_的参数都是树节点元组的字段，并且
假设它们长度相同，索引i将解码这些输入的元组。每个节点ID在每个树ID中只能出现一次。
所有以target_为前缀的字段都是叶子处投票的元组。
一个叶子可能有多个投票，每个投票由相关的target_weights索引加权。
所有以_as_tensor结尾的字段可以在元素类型为double而不是float时使用，而不是没有后缀的相同参数。
所有树的节点ID必须从0开始并递增1。
模式枚举为BRANCH_LEQ, BRANCH_LT, BRANCH_GTE, BRANCH_GT, BRANCH_EQ, BRANCH_NEQ, LEAF
属性¶
aggregate_function - STRING (默认为
'SUM'):定义如何聚合目标中的叶值。
其中之一是‘AVERAGE,’ ‘SUM,’ ‘MIN,’ ‘MAX.’base_values - FLOATS :
回归的基准值，在应用aggregate_function后添加到最终预测中；大小必须与类别相同或可以不指定（假定为0）
base_values_as_tensor - TENSOR :
回归的基准值，在应用aggregate_function后添加到最终预测中；大小必须与类别相同或可以不指定（假定为0）
n_targets - INT :
目标的总数。
nodes_falsenodeids - INTS :
如果表达式为假，则为子节点
nodes_featureids - INTS :
每个节点的特征ID。
nodes_hitrates - FLOATS :
每个节点的流行度，用于性能分析，可以省略。
nodes_hitrates_as_tensor - TENSOR :
每个节点的流行度，用于性能分析，可以省略。
nodes_missing_value_tracks_true - INTS :
对于每个节点，定义在存在NaN时该做什么：根据此数组中的值使用“true”（如果属性值为1）或“false”（如果属性值为0）分支。
此属性可以保持未定义状态，所有节点的默认值为false（0）。nodes_modes - 字符串 :
节点类型，即在节点处进行的比较。在叶节点处没有比较。
其中之一是‘BRANCH_LEQ’, ‘BRANCH_LT’, ‘BRANCH_GTE’, ‘BRANCH_GT’, ‘BRANCH_EQ’, ‘BRANCH_NEQ’, ‘LEAF’nodes_nodeids - INTS :
每个节点的节点ID。每个树的节点ID必须从零开始并依次递增。
nodes_treeids - INTS :
每个节点的树ID。
nodes_truenodeids - INTS :
如果表达式为真，则显示子节点
nodes_values - FLOATS :
每个节点进行分割的阈值。
nodes_values_as_tensor - TENSOR :
每个节点进行分割的阈值。
post_transform - STRING (默认值为
'NONE'):指示要应用于分数的转换。
其中之一是‘NONE,’ ‘SOFTMAX,’ ‘LOGISTIC,’ ‘SOFTMAX_ZERO,’ 或 ‘PROBIT’target_ids - INTS :
每个权重对应的目标索引
target_nodeids - INTS :
每个权重的节点ID
target_treeids - INTS :
每个节点所在的树的ID。
target_weights - FLOATS :
每个目标的权重
target_weights_as_tensor - TENSOR :
每个目标的权重
输入¶
X (异构) - T:
输入形状为 [N,F]
输出¶
Y (异构) - tensor(float):
N个类别
类型约束¶
T 在 (
tensor(double),tensor(float),tensor(int32),tensor(int64)) 中:输入类型必须是数值类型的张量。
TreeEnsembleRegressor - 3 (ai.onnx.ml)¶
版本¶
领域:
ai.onnx.mlsince_version:
3函数:
Falsesupport_level:
SupportType.COMMON形状推断:
True
此版本的运算符自ai.onnx.ml域的第3版起已可用。
摘要¶
树集成回归器。返回N中每个输入的回归值。
所有带有nodes_的参数都是树节点元组的字段，并且
假设它们的长度相同，索引i将解码这些输入中的元组。每个节点ID在每个树ID中只能出现一次。
所有以target_为前缀的字段都是叶子处投票的元组。
一个叶子可能有多个投票，每个投票由相关的target_weights索引加权。
所有以_as_tensor结尾的字段可以在元素类型为double而不是float时使用，而不是没有后缀的相同参数。
所有树的节点ID必须从0开始并递增1。
模式枚举是BRANCH_LEQ, BRANCH_LT, BRANCH_GTE, BRANCH_GT, BRANCH_EQ, BRANCH_NEQ, LEAF
属性¶
aggregate_function - STRING (默认为
'SUM'):定义如何聚合目标中的叶值。
其中之一是‘AVERAGE,’ ‘SUM,’ ‘MIN,’ ‘MAX.’base_values - FLOATS :
回归的基准值，在应用aggregate_function后添加到最终预测中；大小必须与类别相同或可以不指定（假定为0）
base_values_as_tensor - TENSOR :
回归的基准值，在应用aggregate_function后添加到最终预测中；大小必须与类别相同或可以不指定（假定为0）
n_targets - INT :
目标的总数。
nodes_falsenodeids - INTS :
如果表达式为假，则为子节点
nodes_featureids - INTS :
每个节点的特征ID。
nodes_hitrates - FLOATS :
每个节点的流行度，用于性能分析，可以省略。
nodes_hitrates_as_tensor - TENSOR :
每个节点的流行度，用于性能分析，可以省略。
nodes_missing_value_tracks_true - INTS :
对于每个节点，定义在存在NaN时该做什么：根据此数组中的值使用“true”（如果属性值为1）或“false”（如果属性值为0）分支。
此属性可以保持未定义状态，所有节点的默认值为false（0）。nodes_modes - 字符串 :
节点类型，即在节点处进行的比较。在叶节点处没有比较。
其中之一是‘BRANCH_LEQ’, ‘BRANCH_LT’, ‘BRANCH_GTE’, ‘BRANCH_GT’, ‘BRANCH_EQ’, ‘BRANCH_NEQ’, ‘LEAF’nodes_nodeids - INTS :
每个节点的节点ID。每个树的节点ID必须从零开始并依次递增。
nodes_treeids - INTS :
每个节点的树ID。
nodes_truenodeids - INTS :
如果表达式为真，则显示子节点
nodes_values - FLOATS :
每个节点进行分割的阈值。
nodes_values_as_tensor - TENSOR :
每个节点进行分割的阈值。
post_transform - STRING (默认值为
'NONE'):指示要应用于分数的转换。
其中之一是‘NONE,’ ‘SOFTMAX,’ ‘LOGISTIC,’ ‘SOFTMAX_ZERO,’ 或 ‘PROBIT’target_ids - INTS :
每个权重对应的目标索引
target_nodeids - INTS :
每个权重的节点ID
target_treeids - INTS :
每个节点所在的树的ID。
target_weights - FLOATS :
每个目标的权重
target_weights_as_tensor - TENSOR :
每个目标的权重
输入¶
X (异构) - T:
输入形状为 [N,F]
输出¶
Y (异构) - tensor(float):
N个类别
类型约束¶
T 在 (
tensor(double),tensor(float),tensor(int32),tensor(int64)) 中:输入类型必须是数值类型的张量。
TreeEnsembleRegressor - 1 (ai.onnx.ml)¶
版本¶
领域:
ai.onnx.mlsince_version:
1函数:
Falsesupport_level:
SupportType.COMMON形状推断:
False
此版本的运算符自ai.onnx.ml域的第1版起已可用。
总结¶
树集成回归器。返回N中每个输入的回归值。
所有带有nodes_的参数都是树节点元组的字段，并且
假设它们的长度相同，索引i将解码这些输入中的元组。每个节点ID在每个树ID中只能出现一次。
所有以target_为前缀的字段都是叶子处投票的元组。
一个叶子可能有多个投票，每个投票由相关的target_weights索引加权。
所有树的节点ID必须从0开始，并依次递增1。
模式枚举为BRANCH_LEQ, BRANCH_LT, BRANCH_GTE, BRANCH_GT, BRANCH_EQ, BRANCH_NEQ, LEAF
属性¶
aggregate_function - STRING (默认为
'SUM'):定义如何聚合目标中的叶值。
其中之一是‘AVERAGE,’ ‘SUM,’ ‘MIN,’ ‘MAX.’base_values - FLOATS :
分类的基础值，添加到最终类别分数中；大小必须与类别相同或可以保持未分配（假设为0）
n_targets - INT :
目标的总数。
nodes_falsenodeids - INTS :
如果表达式为假，则为子节点
nodes_featureids - INTS :
每个节点的特征ID。
nodes_hitrates - FLOATS :
每个节点的流行度，用于性能分析，可以省略。
nodes_missing_value_tracks_true - INTS :
对于每个节点，定义在存在NaN时该做什么：根据此数组中的值使用“true”（如果属性值为1）或“false”（如果属性值为0）分支。
此属性可以保持未定义状态，所有节点的默认值为false（0）。nodes_modes - 字符串 :
节点类型，即在节点处进行的比较。在叶节点处没有比较。
其中之一是‘BRANCH_LEQ’, ‘BRANCH_LT’, ‘BRANCH_GTE’, ‘BRANCH_GT’, ‘BRANCH_EQ’, ‘BRANCH_NEQ’, ‘LEAF’nodes_nodeids - INTS :
每个节点的节点ID。每个树的节点ID必须从零开始并依次递增。
nodes_treeids - INTS :
每个节点的树ID。
nodes_truenodeids - INTS :
如果表达式为真，则显示子节点
nodes_values - FLOATS :
每个节点进行分割的阈值。
post_transform - STRING (默认值为
'NONE'):指示要应用于分数的转换。
其中之一是‘NONE,’ ‘SOFTMAX,’ ‘LOGISTIC,’ ‘SOFTMAX_ZERO,’ 或 ‘PROBIT’target_ids - INTS :
每个权重对应的目标索引
target_nodeids - INTS :
每个权重的节点ID
target_treeids - INTS :
每个节点所在的树的ID。
target_weights - FLOATS :
每个目标的权重
输入¶
X (异构) - T:
输入形状为 [N,F]
输出¶
Y (异构) - tensor(float):
N个类别
类型约束¶
T 在 (
tensor(double),tensor(float),tensor(int32),tensor(int64)) 中:输入类型必须是数值类型的张量。