ai.onnx.ml - TreeEnsembleRegressor¶
TreeEnsembleRegressor - 5 (ai.onnx.ml)¶
版本¶
域:
ai.onnx.mlsince_version:
5函数:
False支持级别:
SupportType.COMMON形状推断:
False
此版本的运算符已自领域 ai.onnx.ml 的版本 5 起被弃用。
摘要¶
此运算符已弃用。请改用 TreeEnsemble，它提供相同的功能。
树集成回归器。返回 N 中每个输入的回归值。
所有以 nodes_ 开头的参数都是树节点元组的字段，并且假定它们长度相同，索引 i 将解码这些输入中的元组。每个节点 ID 在每棵树中只能出现一次。
所有以 target_ 开头的字段都是叶子处的投票元组。
一个叶子可以有多个投票，其中每个投票都由相关的 target_weights 索引加权。
如果元素类型是 double 而不是 float，所有以 _as_tensor 结尾的字段都可以代替没有后缀的同名参数使用。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 (默认值为
'SUM')定义如何聚合目标内的叶子值。
‘AVERAGE’、‘SUM’、‘MIN’、‘MAX’ 之一。base_values - FLOATS :
回归的基础值，在应用 aggregate_function 后添加到最终预测中；大小必须与类别相同，或者可以留空（假定为 0）
base_values_as_tensor - TENSOR :
回归的基础值，在应用 aggregate_function 后添加到最终预测中；大小必须与类别相同，或者可以留空（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 时如何处理：根据此数组中的值使用“真”（如果属性值为 1）或“假”（如果属性值为 0）分支。
此属性可以未定义，所有节点的默认值为 false (0)。nodes_modes - STRINGS :
节点类型，即在节点处进行的比较。叶子节点无需进行比较。
‘BRANCH_LEQ’、‘BRANCH_LT’、‘BRANCH_GTE’、‘BRANCH_GT’、‘BRANCH_EQ’、‘BRANCH_NEQ’、‘LEAF’ 之一nodes_nodeids - INTS :
每个节点的节点 ID。每个树的节点 ID 必须从零重新开始并按顺序递增。
nodes_treeids - INTS :
每个节点的树 ID。
nodes_truenodeids - INTS :
如果表达式为真，则为子节点
nodes_values - FLOATS :
用于每个节点进行拆分的阈值。
nodes_values_as_tensor - TENSOR :
用于每个节点进行拆分的阈值。
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 :
每个节点所属的树的 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
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¶
域:
ai.onnx.mlsince_version:
3函数:
False支持级别:
SupportType.COMMON形状推断:
True
此版本的运算符已自领域 ai.onnx.ml 的版本 3 起可用。
摘要¶
树集成回归器。返回 N 中每个输入的回归值。
所有以 nodes_ 开头的参数都是树节点元组的字段，并且假定它们长度相同，索引 i 将解码这些输入中的元组。每个节点 ID 在每棵树中只能出现一次。
所有以 target_ 开头的字段都是叶子处的投票元组。
一个叶子可以有多个投票，其中每个投票都由相关的 target_weights 索引加权。
如果元素类型是 double 而不是 float，所有以 _as_tensor 结尾的字段都可以代替没有后缀的同名参数使用。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 (默认值为
'SUM')定义如何聚合目标内的叶子值。
‘AVERAGE’、‘SUM’、‘MIN’、‘MAX’ 之一。base_values - FLOATS :
回归的基础值，在应用 aggregate_function 后添加到最终预测中；大小必须与类别相同，或者可以留空（假定为 0）
base_values_as_tensor - TENSOR :
回归的基础值，在应用 aggregate_function 后添加到最终预测中；大小必须与类别相同，或者可以留空（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 时如何处理：根据此数组中的值使用“真”（如果属性值为 1）或“假”（如果属性值为 0）分支。
此属性可以未定义，所有节点的默认值为 false (0)。nodes_modes - STRINGS :
节点类型，即在节点处进行的比较。叶子节点无需进行比较。
‘BRANCH_LEQ’、‘BRANCH_LT’、‘BRANCH_GTE’、‘BRANCH_GT’、‘BRANCH_EQ’、‘BRANCH_NEQ’、‘LEAF’ 之一nodes_nodeids - INTS :
每个节点的节点 ID。每个树的节点 ID 必须从零重新开始并按顺序递增。
nodes_treeids - INTS :
每个节点的树 ID。
nodes_truenodeids - INTS :
如果表达式为真，则为子节点
nodes_values - FLOATS :
用于每个节点进行拆分的阈值。
nodes_values_as_tensor - TENSOR :
用于每个节点进行拆分的阈值。
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 :
每个节点所属的树的 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
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¶
域:
ai.onnx.ml起始版本:
1函数:
False支持级别:
SupportType.COMMON形状推断:
False
该算子的此版本**自 ai.onnx.ml 域的 1 版本起**可用。
摘要¶
树集成回归器。返回 N 中每个输入的回归值。
所有以 nodes_ 开头的参数都是树节点元组的字段，并且假定它们长度相同，索引 i 将解码这些输入中的元组。每个节点 ID 在每棵树中只能出现一次。
所有以 target_ 开头的字段都是叶子处的投票元组。
一个叶子可以有多个投票，其中每个投票都由相关的 target_weights 索引加权。
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 (默认值为
'SUM')定义如何聚合目标内的叶子值。
‘AVERAGE’、‘SUM’、‘MIN’、‘MAX’ 之一。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，或者可以留空（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_missing_value_tracks_true - INTS :
对于每个节点，定义在存在 NaN 时如何处理：根据此数组中的值使用“真”（如果属性值为 1）或“假”（如果属性值为 0）分支。
此属性可以未定义，所有节点的默认值为 false (0)。nodes_modes - STRINGS :
节点类型，即在节点处进行的比较。叶子节点无需进行比较。
‘BRANCH_LEQ’、‘BRANCH_LT’、‘BRANCH_GTE’、‘BRANCH_GT’、‘BRANCH_EQ’、‘BRANCH_NEQ’、‘LEAF’ 之一nodes_nodeids - INTS :
每个节点的节点 ID。每个树的节点 ID 必须从零重新开始并按顺序递增。
nodes_treeids - INTS :
每个节点的树 ID。
nodes_truenodeids - INTS :
如果表达式为真，则为子节点
nodes_values - FLOATS :
用于每个节点进行拆分的阈值。
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 :
每个节点所属的树的 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。