FeatureContributionCalculatingEstimator Classe

Definizione

Spazio dei nomi:

Microsoft.ML.Transforms

Assembly:

Microsoft.ML.Data.dll

Pacchetto:

Microsoft.ML v3.0.1

Stimare per FeatureContributionCalculatingTransformer. Calcola i contributi specifici del modello per funzionalità al punteggio di ogni vettore di input.

public sealed class FeatureContributionCalculatingEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.FeatureContributionCalculatingTransformer>

type FeatureContributionCalculatingEstimator = class
    inherit TrivialEstimator<FeatureContributionCalculatingTransformer>

Public NotInheritable Class FeatureContributionCalculatingEstimator
Inherits TrivialEstimator(Of FeatureContributionCalculatingTransformer)

Ereditarietà

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

Commenti

Caratteristiche dello strumento di stima

Questo stimatore deve esaminare i dati per eseguire il training dei relativi parametri?	No
Tipo di dati della colonna di input	Vettore di dimensioni note di Single
Tipo di dati della colonna di output	Vettore di dimensioni note di Single
Esportabile in ONNX	No

Il punteggio di un set di dati con un modello sottoposto a training produce un punteggio o una stima, per ogni esempio. Per comprendere e spiegare queste stime può essere utile controllare quali funzionalità hanno influenzato più significativamente. Questo trasformatore calcola un elenco specifico del modello di contributi per funzionalità al punteggio per ogni esempio. Questi contributi possono essere positivi (rendono il punteggio più alto) o negativo (rendono il punteggio inferiore).

Il calcolo dei contributi delle funzionalità è attualmente supportato per i modelli seguenti:

• Regressione:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• Classificazione binaria:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• Classifica:
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

Per i modelli lineari, il contributo di una determinata funzionalità è uguale al prodotto del valore della funzionalità in base al peso corrispondente. Analogamente, per i modelli additivi generalizzati (GAM), il contributo di una funzionalità è uguale alla funzione di forma per la determinata funzionalità valutata al valore della funzionalità.

Per i modelli basati su albero, il calcolo del contributo della funzionalità consiste essenzialmente nel determinare quali divisioni nell'albero hanno l'impatto maggiore sul punteggio finale e assegnando il valore dell'impatto alle funzionalità che determinano la divisione. Più precisamente, il contributo di una funzionalità è uguale alla modifica del punteggio prodotto dall'esplorazione dell'albero secondario opposto ogni volta che viene rilevato un nodo decisionale per la funzionalità specificata. Si consideri un semplice caso con un singolo albero delle decisioni con un nodo decisionale per la funzionalità binaria F1. Dato un esempio con funzionalità F1 uguale a true, è possibile calcolare il punteggio ottenuto se si sceglie il sottoalbero corrispondente alla funzionalità F1 uguale a false mantenendo la costante delle altre funzionalità. Il contributo della funzionalità F1 per l'esempio specificato è la differenza tra il punteggio originale e il punteggio ottenuto prendendo la decisione opposta nel nodo corrispondente alla caratteristica F1. Questo algoritmo si estende naturalmente ai modelli con molti alberi decisionali.

Controllare la sezione Vedere anche i collegamenti agli esempi di utilizzo.

Metodi

Fit(IDataView)	Stimare per FeatureContributionCalculatingTransformer. Calcola i contributi specifici del modello per funzionalità al punteggio di ogni vettore di input. (Ereditato da TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Restituisce l'oggetto SchemaShape dello schema che verrà prodotto dal trasformatore. Usato per la propagazione e la verifica dello schema in una pipeline.

Metodi di estensione

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Aggiungere un "checkpoint di memorizzazione nella cache" alla catena di stima. Ciò garantisce che gli estimatori downstream vengano sottoposti a training sui dati memorizzati nella cache. È utile avere un checkpoint di memorizzazione nella cache prima dei training che accettano più passaggi di dati.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Dato un stimatore, restituire un oggetto wrapping che chiamerà un delegato una volta Fit(IDataView) chiamato. Spesso è importante che un stimatore restituisca informazioni su ciò che è stato adatto, che è il motivo per cui il Fit(IDataView) metodo restituisce un oggetto tipizzato in modo specifico, anziché solo un oggetto generale ITransformer. Tuttavia, allo stesso tempo, IEstimator<TTransformer> sono spesso formati in pipeline con molti oggetti, quindi potrebbe essere necessario creare una catena di stima tramite EstimatorChain<TLastTransformer> dove lo stimatore per cui si vuole ottenere il trasformatore è sepolto da qualche parte in questa catena. Per questo scenario, è possibile collegare questo metodo a un delegato che verrà chiamato una volta chiamato fit.

Vedi anche

• CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)
• CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)