C# 如何提高ML.Net中不同机器学习算法的预测精度

我是Ml.Net的新手，目前正在使用版本0.11，更具体地说，二进制分类器，这是我目前正在研究的东西。我现在已经找到了解决办法，可以实现我所需要的，但我希望能够改进事情，开放我的选择

我对设置随机梯度下降、随机梯度上升对偶词和逻辑回归算法的选项有疑问。这些（无选项集）的未看到数据的预测精度比快速树算法差得多，快速树算法将树叶、树和树叶中的最小数据点作为选项集（例如，50%对89%的精度）。就像我使用FastTree设置选项一样，我无法确定如何为其他ML算法（即numTrees、numLeaves等）设置选项，而且由于它还不是RC，因此几乎没有文档，也没有我可以找到的示例

我还想知道一些人可能会用这些算法设置的“典型”选项，这样我就可以获得一个基线并从那里改变事情

我已经发现逻辑回归可以有一个组合的选项对象并传递给它，但是我找不到其他的选项，也不知道传递给逻辑回归算法的选项的典型情况

我已经搜遍了网，但是空手而来

在我的管道中添加以下内容可以提供很好的准确性：

.Append(mlContext.BinaryClassification.Trainers.FastTree(numLeaves: 50, numTrees: 50, minDatapointsInLeaves: 20));

在我的管道中添加以下任何一项都会带来可怕的准确性

.Append(mlContext.BinaryClassification.Trainers.LogisticRegression());
            .Append(mlContext.BinaryClassification.Trainers.StochasticGradientDescent());
      .Append(mlContext.BinaryClassification.Trainers.StochasticDualCoordinateAscent());

此外，在没有选项的情况下使用快速树会导致性能不佳，例如：

.Append(mlContext.BinaryClassification.Trainers.FastTree());

我已经找到了逻辑回归的选项n（如下），但不知道要设置什么“典型值”或包括什么选项：

 var LogRegOptions = new Microsoft.ML.Trainers.LogisticRegression.Options
 {
    SgdInitializationTolerance = ?,
    InitWtsDiameter = ?,

    ?????
 };

我想让这些算法以与给定选项的快速树（89%）相同的精度进行预测，但如果没有加载选项，它们的精度都不到50%

---

提前感谢大家

这与asp.net或linq有什么关系？抱歉，我有点高兴。。。我会把它们脱掉。这和asp.net或linq有什么关系？抱歉，我有点高兴。。。我要把它们脱掉。