ai.onnx.ml - TreeEnsemble

TreeEnsemble - 5 (ai.onnx.ml)

版本

  • 名称: TreeEnsemble (GitHub)

  • : ai.onnx.ml

  • since_version: 5

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子ai.onnx.ml 域的版本 5 起可用。

摘要

Tree Ensemble 算子。返回批处理中每个输入的回归值。输入的维度为 [N, F],其中 N 是输入批次大小,F 是输入特征的数量。输出的维度为 [N, num_targets],其中 N 是批次大小,num_targets 是目标数量,这是一个可配置的属性。

此属性的编码沿内部节点和树的叶子分割。值得注意的是,前缀为 nodes_* 的属性与内部节点相关,而前缀为 leaf_* 的属性与叶子相关。nodes_* 属性必须具有相同的长度,并编码一系列元组,这些元组通过在给定位置取所有 nodes_* 字段来定义。

所有前缀为 leaf_* 的字段代表树的叶子,同样定义了叶子的元组,并且必须具有相同的长度。

此算子可用于实现之前的 TreeEnsembleRegressorTreeEnsembleClassifier 节点。TreeEnsembleRegressor 节点直接映射到此节点,并需要更改节点表示方式。TreeEnsembleClassifier 节点可以通过在此节点后添加一个 ArgMax 节点来确定最高类。要编码类标签,可以使用 LabelEncoderGatherND 算子。

属性

  • aggregate_function - INT (默认为 '1')

    定义如何在目标内聚合叶子值。
    ‘AVERAGE’ (0) ‘SUM’ (1) ‘MIN’ (2) ‘MAX (3) 中的一个,默认为 ‘SUM’ (1)

  • leaf_targetids - INTS (必需)

    此叶子贡献的目标索引(必须在范围 [0, n_targets) 内)。

  • leaf_weights - TENSOR (必需)

    每个叶子的权重。

  • membership_values - TENSOR :

    用于测试每个集合成员节点的成员资格的值。按 node_modes 中出现的 'BRANCH_MEMBER' 顺序列出所有要测试的成员,并用 NaN 分隔。将具有与模式为 'BRANCH_MEMBER' 的节点相同数量的值集合。如果节点不包含任何 'BRANCH_MEMBER' 节点,则可以省略此项。

  • n_targets - INT :

    总目标数量。

  • nodes_falseleafs - INTS (必需)

    对于每个节点,如果假分支是叶子则为 1,如果是内部节点则为 0。要表示一个仅由叶子组成的树(只有一个节点),可以通过单个 nodes_* 条目来实现,该条目具有指向同一 leaf_* 条目的真分支和假分支。

  • nodes_falsenodeids - INTS (必需)

    如果某项的 nodes_falseleafs 为 false,则此项表示假分支节点的位置。此位置可用于索引 nodes_* 条目。如果 nodes_falseleafs 为 false,则它是一个指向 leaf_* 属性的索引。

  • nodes_featureids - INTS (必需)

    每个节点的特征 ID。

  • nodes_hitrates - 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,定义当输入特征为 NaN 时是跟随真分支(属性值为 1)还是假分支(属性值为 0)。此属性可能未定义,所有节点的默认值为 false (0)。

  • nodes_modes - TENSOR (必需)

    节点执行的比较操作。这被编码为枚举:0 ('BRANCH_LEQ')、1 ('BRANCH_LT')、2 ('BRANCH_GTE')、3 ('BRANCH_GT')、4 ('BRANCH_EQ')、5 ('BRANCH_NEQ') 和 6 ('BRANCH_MEMBER')。注意这是一个 uint8 类型的张量。

  • nodes_splits - TENSOR (必需)

    对于模式不是 'BRANCH_MEMBER' 的每个节点,用于进行划分的阈值。

  • nodes_trueleafs - INTS (必需)

    对于每个节点,如果真分支是叶子则为 1,如果是内部节点则为 0。要表示一个仅由叶子组成的树(只有一个节点),可以通过单个 nodes_* 条目来实现,该条目具有指向同一 leaf_* 条目的真分支和假分支。

  • nodes_truenodeids - INTS (必需)

    如果某项的 nodes_trueleafs 为 false,则此项表示真分支节点的位置。此位置可用于索引 nodes_* 条目。如果 nodes_trueleafs 为 false,则它是一个指向 leaf_* 属性的索引。

  • post_transform - INT (默认为 '0')

    指示应用于分数的变换。
    ‘NONE’ (0), ‘SOFTMAX’ (1), ‘LOGISTIC’ (2), ‘SOFTMAX_ZERO’ (3) 或 ‘PROBIT’ (4) 中的一个,默认为 ‘NONE’ (0)

  • tree_roots - INTS (必需)

    每个树的根节点在 nodes_* 中的索引。树的结构是从每个节点的分支派生的。

输入

  • X (异构) - T

    形状为 [批次大小, 特征数量] 的输入

输出

  • Y (异构) - T

    形状为 [批次大小, 目标数量] 的输出

类型约束

  • T 在 ( tensor(double), tensor(float), tensor(float16) ) 中

    输入类型必须是数值类型的张量。

示例

_tree_ensemble_single_tree

import numpy as np
import onnx

node = onnx.helper.make_node(
    "TreeEnsemble",
    ["X"],
    ["Y"],
    domain="ai.onnx.ml",
    n_targets=2,
    membership_values=None,
    nodes_missing_value_tracks_true=None,
    nodes_hitrates=None,
    aggregate_function=1,
    post_transform=0,
    tree_roots=[0],
    nodes_modes=make_tensor(
        "nodes_modes",
        onnx.TensorProto.UINT8,
        (3,),
        np.array([0, 0, 0], dtype=np.uint8),
    ),
    nodes_featureids=[0, 0, 0],
    nodes_splits=make_tensor(
        "nodes_splits",
        onnx.TensorProto.DOUBLE,
        (3,),
        np.array([3.14, 1.2, 4.2], dtype=np.float64),
    ),
    nodes_truenodeids=[1, 0, 1],
    nodes_trueleafs=[0, 1, 1],
    nodes_falsenodeids=[2, 2, 3],
    nodes_falseleafs=[0, 1, 1],
    leaf_targetids=[0, 1, 0, 1],
    leaf_weights=make_tensor(
        "leaf_weights",
        onnx.TensorProto.DOUBLE,
        (4,),
        np.array([5.23, 12.12, -12.23, 7.21], dtype=np.float64),
    ),
)

x = np.array([1.2, 3.4, -0.12, 1.66, 4.14, 1.77], np.float64).reshape(3, 2)
y = np.array([[5.23, 0], [5.23, 0], [0, 12.12]], dtype=np.float64)
expect(
    node,
    inputs=[x],
    outputs=[y],
    name="test_ai_onnx_ml_tree_ensemble_single_tree",
)

_tree_ensemble_set_membership

import numpy as np
import onnx

node = onnx.helper.make_node(
    "TreeEnsemble",
    ["X"],
    ["Y"],
    domain="ai.onnx.ml",
    n_targets=4,
    aggregate_function=1,
    membership_values=make_tensor(
        "membership_values",
        onnx.TensorProto.FLOAT,
        (8,),
        [1.2, 3.7, 8, 9, np.nan, 12, 7, np.nan],
    ),
    nodes_missing_value_tracks_true=None,
    nodes_hitrates=None,
    post_transform=0,
    tree_roots=[0],
    nodes_modes=make_tensor(
        "nodes_modes",
        onnx.TensorProto.UINT8,
        (3,),
        np.array([0, 6, 6], dtype=np.uint8),
    ),
    nodes_featureids=[0, 0, 0],
    nodes_splits=make_tensor(
        "nodes_splits",
        onnx.TensorProto.FLOAT,
        (3,),
        np.array([11, 232344.0, np.nan], dtype=np.float32),
    ),
    nodes_trueleafs=[0, 1, 1],
    nodes_truenodeids=[1, 0, 1],
    nodes_falseleafs=[1, 0, 1],
    nodes_falsenodeids=[2, 2, 3],
    leaf_targetids=[0, 1, 2, 3],
    leaf_weights=make_tensor(
        "leaf_weights", onnx.TensorProto.FLOAT, (4,), [1, 10, 1000, 100]
    ),
)

x = np.array([1.2, 3.4, -0.12, np.nan, 12, 7], np.float32).reshape(-1, 1)
expected = np.array(
    [
        [1, 0, 0, 0],
        [0, 0, 0, 100],
        [0, 0, 0, 100],
        [0, 0, 1000, 0],
        [0, 0, 1000, 0],
        [0, 10, 0, 0],
    ],
    dtype=np.float32,
)
expect(
    node,
    inputs=[x],
    outputs=[expected],
    name="test_ai_onnx_ml_tree_ensemble_set_membership",
)