Belang van permutatiefunctie

Hiermee worden de belang rijke scores van de permutatie functie van functie variabelen berekend op basis van een getraind model en een test gegevensset

Categorie: onderdelen selecteren modules

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel wordt beschreven hoe u de permutatie functie urgentie module in azure machine learning Studio (klassiek) kunt gebruiken voor het berekenen van een aantal belang rijke scores voor de functie van uw gegevensset. U kunt deze scores gebruiken om u te helpen bij het bepalen van de beste functies die in een model moeten worden gebruikt.

In deze module worden functie waarden wille keurig in de wille keurige volg orde, één kolom per keer en de prestaties van het model gemeten vóór en na. U kunt een van de standaard metrische gegevens opgeven om prestaties te meten.

De scores die de module retourneert, vertegenwoordigen de wijziging van de prestaties van een getraind model, na permutatie. Belang rijke functies zijn doorgaans gevoeliger voor het proces waarin de procedure wordt uitgevoerd en resulteert daardoor in hogere urgentie scores.

Dit artikel biedt een goed overzicht van het belang van permutatie functies, theoretische basis en de bijbehorende toepassingen in machine learning: permutatie functie urgentie

Het belang van de permutatie-functie gebruiken

Als u een set functie scores wilt genereren, moet u een al getraind model en een test-gegevensset hebben.

  1. Voeg de permutatie functie urgentie module toe aan uw experiment. U kunt deze module vinden in de categorie functie selectie .

  2. Verbind een getraind model met de linkerkant invoer. Het model moet een regressie model of classificatie model zijn.

  3. Verbind aan de rechter invoer een gegevensset, bij voor keur één die afwijkt van de gegevensset die wordt gebruikt voor het trainen van het model. Deze gegevensset wordt gebruikt voor het scoren op basis van het getrainde model en voor het evalueren van het model nadat de waarden van de onderdelen zijn gewijzigd.

  4. Typ voor wille keurig zaadeen waarde die moet worden gebruikt als seed voor wille keurige. Als u 0 (de standaard waarde) opgeeft, wordt er een nummer gegenereerd op basis van de systeem klok.

    Een Seed-waarde is optioneel, maar u moet een waarde opgeven als u de reproduceer baarheid van hetzelfde experiment wilt uitvoeren.

  5. Selecteer voor metrische gegevens voor het meten van de prestatieséén metrische waarde die moet worden gebruikt bij het berekenen van de model kwaliteit na permutatie.

    Azure Machine Learning Studio (klassiek) ondersteunt de volgende metrische gegevens, afhankelijk van of u een classificatie of regressie model evalueert:

    • Classificatie

      Nauw keurigheid, precisie, intrekken, gemiddeld logboek verlies

    • Regressie

      Precisie, intrekken, gemiddelde absolute fout, wortel gemiddelde fout, relatieve absolute fout, relatieve kwadraat fout, coëfficiënt van bepaling

    Zie evaluerenvoor een gedetailleerde beschrijving van deze metrische gegevens over de evaluatie en hoe deze worden berekend.

  6. Voer het experiment uit.

  7. De module voert een lijst van de functie kolommen en de bijbehorende scores uit, gerangschikt op volg orde van de scores, aflopend.

Voorbeelden

Bekijk deze voorbeeld experimenten in de Azure AI Gallery:

Technische opmerkingen

In deze sectie vindt u informatie over de implementatie, tips en antwoorden op veelgestelde vragen.

Hoe vergelijkt dit met andere functie selectie methoden?

Het belang van de permutatie functie werkt door wille keurig de waarden van elke functie kolom te wijzigen, één kolom tegelijk en vervolgens het model te evalueren.

De classificatie van de permutatie functie is vaak anders dan die van de functie selectie op basis van filters, waarmee de scores worden berekend voordat een model wordt gemaakt.

Dit komt doordat de betekenis van de permutatie functie de koppeling tussen een functie en een doel waarde niet meet, maar in plaats daarvan wordt vastgelegd hoeveel invloed heeft op elke functie op voor spellingen van het model.

Verwachte invoer

Naam Type Beschrijving
Getraind model ILearner-interface Een getrainde classificatie of regressie model
Testgegevens Gegevens tabel Gegevensset testen voor het beoordelen en evalueren van een model na permutatie van functie waarden

Module parameters

Naam Type Bereik Optioneel Standaard Beschrijving
Wille keurige Seed Geheel getal >= 0 Vereist 0 Seed-waarde voor Generator van wille keurige getallen
Meet waarde voor het meten van prestaties EvaluationMetricType selecteren in de lijst Vereist Classificatie-nauw keurigheid De metriek selecteren die moet worden gebruikt bij het evalueren van de variabiliteit van het model na permutaties

Outputs

Naam Type Beschrijving
Functie-urgentie Gegevens tabel Een gegevensset met de belang rijke resultaten van de functie, op basis van de geselecteerde metriek

Uitzonderingen

Uitzondering Beschrijving
Fout 0062 Er treedt een uitzonde ring op wanneer u twee modellen met verschillende typen kennissen wilt vergelijken.
Fout 0024 Uitzonde ring treedt op als DataSet geen kolom Label bevat.
Fout 0105 Deze wordt gegenereerd wanneer een module definitie bestand een unsuppported-parameter type definieert
Fout 0021 Uitzonde ring treedt op als het aantal rijen in een deel van de gegevens sets die aan de module zijn door gegeven, te klein is.

Zie ook

Functie selectie
Functies selecteren op basis van filter
Analyse van Principal-onderdelen