ai.onnx.ml - TreeEnsembleRegressor

TreeEnsembleRegressor - 5 (ai.onnx.ml)

版本

此版本的算子已从 ai.onnx.ml5 版本起被弃用。

摘要

此算子已被弃用。请使用 TreeEnsemble,它提供相同的功能。
Tree Ensemble 回归器。返回 N 个输入中每个输入的回归值。
所有带有 nodes_ 的参数都是树节点的元组字段,假定它们的长度相同,索引 i 将解码这些输入中的元组。每个节点的 ID 在每个树 ID 中只能出现一次。
所有以 target_ 开头的字段都是叶子处投票的元组。
一个叶子可能有多个投票,每个投票都由关联的 target_weights 索引加权。
所有以 _as_tensor 结尾的字段,如果元素类型是 double 而不是 float,则可以代替同名但没有后缀的参数。所有树的节点 ID 必须从 0 开始,并按 1 递增。
Mode 枚举为 BRANCH_LEQ, BRANCH_LT, BRANCH_GTE, BRANCH_GT, BRANCH_EQ, BRANCH_NEQ, LEAF

属性

  • aggregate_function - STRING (默认是 'SUM')

    定义如何在目标内聚合叶子值。
    ‘AVERAGE,’ ‘SUM,’ ‘MIN,’ ‘MAX.’ 中的一个。

  • base_values - FLOATS :

    回归的基值,在应用 aggregate_function 后添加到最终预测;大小必须与类别数相同,或者可以不赋值(假定为 0)。

  • base_values_as_tensor - TENSOR :

    回归的基值,在应用 aggregate_function 后添加到最终预测;大小必须与类别数相同,或者可以不赋值(假定为 0)。

  • n_targets - INT :

    目标的总数。

  • nodes_falsenodeids - INTS :

    如果表达式为 false,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,可省略。

  • nodes_hitrates_as_tensor - TENSOR :

    每个节点的流行度,用于性能,可省略。

  • nodes_missing_value_tracks_true - INTS :

    对于每个节点,定义 NaN 的处理方式: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。
    此属性可以不定义,所有节点的默认值为 false (0)。

  • nodes_modes - STRINGS :

    节点类型,即在节点上进行的比较。叶子节点上没有比较。
    ‘BRANCH_LEQ’, ‘BRANCH_LT’, ‘BRANCH_GTE’, ‘BRANCH_GT’, ‘BRANCH_EQ’, ‘BRANCH_NEQ’, ‘LEAF’ 中的一个。

  • nodes_nodeids - INTS :

    每个节点的节点 ID。节点 ID 必须在每个树中从零开始,并按顺序递增。

  • nodes_treeids - INTS :

    每个节点的树 ID。

  • nodes_truenodeids - INTS :

    如果表达式为 true,则为子节点。

  • nodes_values - FLOATS :

    每个节点的分割阈值。

  • nodes_values_as_tensor - TENSOR :

    每个节点的分割阈值。

  • post_transform - STRING (默认值为 'NONE')

    指示应用于分数的变换。
    可以是 ‘NONE,’ ‘SOFTMAX,’ ‘LOGISTIC,’ ‘SOFTMAX_ZERO,’ 或 ‘PROBIT’ 之一

  • target_ids - INTS :

    每个权重的目标索引。

  • 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

    形状为 [N,F] 的输入。

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

此版本的算子自 ai.onnx.ml3 版本起可用。

摘要

Tree Ensemble 回归器。返回 N 个输入中每个输入的回归值。
所有带有 nodes_ 的参数都是树节点的元组字段,假定它们的长度相同,索引 i 将解码这些输入中的元组。每个节点的 ID 在每个树 ID 中只能出现一次。
所有以 target_ 开头的字段都是叶子处投票的元组。
一个叶子可能有多个投票,每个投票都由关联的 target_weights 索引加权。
所有以 _as_tensor 结尾的字段,如果元素类型是 double 而不是 float,则可以代替同名但没有后缀的参数。所有树的节点 ID 必须从 0 开始,并按 1 递增。
Mode 枚举为 BRANCH_LEQ, BRANCH_LT, BRANCH_GTE, BRANCH_GT, BRANCH_EQ, BRANCH_NEQ, LEAF

属性

  • aggregate_function - STRING (默认是 'SUM')

    定义如何在目标内聚合叶子值。
    ‘AVERAGE,’ ‘SUM,’ ‘MIN,’ ‘MAX.’ 中的一个。

  • base_values - FLOATS :

    回归的基值,在应用 aggregate_function 后添加到最终预测;大小必须与类别数相同,或者可以不赋值(假定为 0)。

  • base_values_as_tensor - TENSOR :

    回归的基值,在应用 aggregate_function 后添加到最终预测;大小必须与类别数相同,或者可以不赋值(假定为 0)。

  • n_targets - INT :

    目标的总数。

  • nodes_falsenodeids - INTS :

    如果表达式为 false,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,可省略。

  • nodes_hitrates_as_tensor - TENSOR :

    每个节点的流行度,用于性能,可省略。

  • nodes_missing_value_tracks_true - INTS :

    对于每个节点,定义 NaN 的处理方式: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。
    此属性可以不定义,所有节点的默认值为 false (0)。

  • nodes_modes - STRINGS :

    节点类型,即在节点上进行的比较。叶子节点上没有比较。
    ‘BRANCH_LEQ’, ‘BRANCH_LT’, ‘BRANCH_GTE’, ‘BRANCH_GT’, ‘BRANCH_EQ’, ‘BRANCH_NEQ’, ‘LEAF’ 中的一个。

  • nodes_nodeids - INTS :

    每个节点的节点 ID。节点 ID 必须在每个树中从零开始,并按顺序递增。

  • nodes_treeids - INTS :

    每个节点的树 ID。

  • nodes_truenodeids - INTS :

    如果表达式为 true,则为子节点。

  • nodes_values - FLOATS :

    每个节点的分割阈值。

  • nodes_values_as_tensor - TENSOR :

    每个节点的分割阈值。

  • post_transform - STRING (默认值为 'NONE')

    指示应用于分数的变换。
    可以是 ‘NONE,’ ‘SOFTMAX,’ ‘LOGISTIC,’ ‘SOFTMAX_ZERO,’ 或 ‘PROBIT’ 之一

  • target_ids - INTS :

    每个权重的目标索引。

  • 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

    形状为 [N,F] 的输入。

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

该算子的此版本**自 ai.onnx.ml 域的 1 版本起**可用。

摘要

Tree Ensemble 回归器。返回 N 个输入中每个输入的回归值。
所有带有 nodes_ 的参数都是树节点的元组字段,假定它们的长度相同,索引 i 将解码这些输入中的元组。每个节点的 ID 在每个树 ID 中只能出现一次。
所有以 target_ 开头的字段都是叶子处投票的元组。
一个叶子可能有多个投票,每个投票都由关联的 target_weights 索引加权。
所有树的节点 ID 必须从 0 开始,并按 1 递增。
Mode 枚举为 BRANCH_LEQ, BRANCH_LT, BRANCH_GTE, BRANCH_GT, BRANCH_EQ, BRANCH_NEQ, LEAF

属性

  • aggregate_function - STRING (默认是 'SUM')

    定义如何在目标内聚合叶子值。
    ‘AVERAGE,’ ‘SUM,’ ‘MIN,’ ‘MAX.’ 中的一个。

  • base_values - FLOATS :

    分类的基值,添加到最终类别分数;大小必须与类别数相同,或者可以不赋值(假定为 0)。

  • n_targets - INT :

    目标的总数。

  • nodes_falsenodeids - INTS :

    如果表达式为 false,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,可省略。

  • nodes_missing_value_tracks_true - INTS :

    对于每个节点,定义 NaN 的处理方式: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。
    此属性可以不定义,所有节点的默认值为 false (0)。

  • nodes_modes - STRINGS :

    节点类型,即在节点上进行的比较。叶子节点上没有比较。
    ‘BRANCH_LEQ’, ‘BRANCH_LT’, ‘BRANCH_GTE’, ‘BRANCH_GT’, ‘BRANCH_EQ’, ‘BRANCH_NEQ’, ‘LEAF’ 中的一个。

  • nodes_nodeids - INTS :

    每个节点的节点 ID。节点 ID 必须在每个树中从零开始,并按顺序递增。

  • nodes_treeids - INTS :

    每个节点的树 ID。

  • nodes_truenodeids - INTS :

    如果表达式为 true,则为子节点。

  • nodes_values - FLOATS :

    每个节点的分割阈值。

  • post_transform - STRING (默认值为 'NONE')

    指示应用于分数的变换。
    可以是 ‘NONE,’ ‘SOFTMAX,’ ‘LOGISTIC,’ ‘SOFTMAX_ZERO,’ 或 ‘PROBIT’ 之一

  • target_ids - INTS :

    每个权重的目标索引。

  • target_nodeids - INTS :

    每个权重的节点 ID。

  • target_treeids - INTS :

    每个节点所在树的 ID。

  • target_weights - FLOATS :

    每个目标的权重。

输入

  • X (异构) - T

    形状为 [N,F] 的输入。

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。