أهمية ميزة Permutation
توضح هذه المقالة كيفية استخدام مكون أهمية ميزة التباديل في مصمم Azure التعلم الآلي، لحساب مجموعة من درجات أهمية المعالم لمجموعة البيانات الخاصة بك. يمكنك استخدام هذه الدرجات لمساعدتك في تحديد أفضل الميزات لاستخدامها في نموذج.
في هذا المكون، يتم خلط قيم المعالم عشوائيا، عمود واحد في كل مرة. يتم قياس أداء النموذج قبل وبعد. يمكنك اختيار أحد المقاييس القياسية لقياس الأداء.
تمثل الدرجات التي يقوم المكون بإرجاعها التغيير في أداء نموذج مدرب ، بعد التبديل. عادة ما تكون الميزات المهمة أكثر حساسية لعملية الخلط العشوائي ، لذلك ستؤدي إلى درجات أهمية أعلى.
تقدم هذه المقالة نظرة عامة على ميزة التباديل وأساسها النظري وتطبيقاتها في التعلم الآلي: أهمية ميزة التباديل.
كيفية استخدام أهمية ميزة التباديل
يتطلب إنشاء مجموعة من درجات الميزات أن يكون لديك نموذج مدرب بالفعل ، بالإضافة إلى مجموعة بيانات اختبار.
أضف مكون أهمية ميزة التباديل إلى خط الأنابيب الخاص بك. يمكنك العثور على هذا المكون في فئة تحديد الميزات .
الاتصال نموذج مدرب على المدخلات اليسرى. يجب أن يكون النموذج نموذج انحدار أو نموذج تصنيف.
على الإدخال الأيمن، قم بتوصيل مجموعة بيانات. يفضل اختيار مجموعة مختلفة عن مجموعة البيانات التي استخدمتها لتدريب النموذج. يتم استخدام مجموعة البيانات هذه لتسجيل النقاط بناء على النموذج المدرب. كما أنه يستخدم لتقييم النموذج بعد تغيير قيم المعالم.
بالنسبة للبذور العشوائية، أدخل قيمة لاستخدامها كبذرة للتوزيع العشوائي. إذا قمت بتحديد 0 (الافتراضي)، إنشاء رقم استنادا إلى ساعة النظام.
قيمة البذور اختيارية ، ولكن يجب عليك توفير قيمة إذا كنت تريد التكرار عبر عمليات تشغيل نفس خط الأنابيب.
بالنسبة إلى Metric لقياس الأداء، حدد مقياسا واحدا لاستخدامه عند حساب جودة النموذج بعد التبديل.
يدعم Azure التعلم الآلي المقاييس التالية، بناء على ما إذا كنت تقوم بتقييم نموذج تصنيف أو انحدار:
التصنيف
الدقة، الدقة، الاستدعاء
تراجع
الدقة، التذكر، متوسط الخطأ المطلق، متوسط الخطأ التربيعي، الخطأ المطلق النسبي، الخطأ التربيعي النسبي، معامل التحديد
للحصول على وصف أكثر تفصيلا لمقاييس التقييم هذه وكيفية حسابها، راجع نموذج التقييم.
إرسال المسار.
يقوم المكون بإخراج قائمة بأعمدة المعالم والدرجات المقترنة بها. يتم ترتيب القائمة بترتيب تنازلي للدرجات.
ملاحظات فنية
تعمل أهمية ميزة التباديل عن طريق تغيير قيم كل عمود معلم بشكل عشوائي، عمود واحد في كل مرة. ثم يقوم بتقييم النموذج.
غالبا ما تختلف التصنيفات التي يوفرها المكون عن تلك التي تحصل عليها من تحديد الميزات المستندة إلى عامل التصفية. يقوم تحديد المعالم المستند إلى عامل التصفية بحساب الدرجات قبل إنشاء نموذج.
سبب الاختلاف هو أن أهمية ميزة التباديل لا تقيس الارتباط بين الميزة والقيمة المستهدفة. بدلا من ذلك ، فإنه يلتقط مدى تأثير كل ميزة على التنبؤات من النموذج.
الخطوات التالية
راجع مجموعة المكونات المتوفرة ل Azure التعلم الآلي.