FeatureContributionCalculatingEstimator Classe

Definição

Namespace:

Microsoft.ML.Transforms

Assembly:

Microsoft.ML.Data.dll

Pacote:

Microsoft.ML v3.0.1

Estimador para FeatureContributionCalculatingTransformer. Calcula as contribuições por recurso específicas do modelo para a pontuação de cada vetor de entrada.

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)

Herança

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

Comentários

Características do estimador

Esse estimador precisa examinar os dados para treinar seus parâmetros?	No
Tipo de dados de coluna de entrada	Vetor de tamanho conhecido de Single
Tipo de dados de coluna de saída	Vetor de tamanho conhecido de Single
Exportável para ONNX	No

Marcar um conjunto de dados com um modelo treinado produz uma pontuação ou previsão para cada exemplo. Para entender e explicar essas previsões, pode ser útil inspecionar quais recursos os influenciaram de forma mais significativa. Esse transformador calcula uma lista específica do modelo de contribuições por recurso para a pontuação de cada exemplo. Essas contribuições podem ser positivas (elas tornam a pontuação maior) ou negativa (reduzem a pontuação).

Atualmente, há suporte para o Cálculo de Contribuição de Recursos para os seguintes modelos:

• Regressão:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• Classificação binária:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• Ranking:
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

Para modelos lineares, a contribuição de um determinado recurso é igual ao produto do valor do recurso vezes o peso correspondente. Da mesma forma, para GAM (Modelos Aditivos Generalizados), a contribuição de um recurso é igual à função de forma para o determinado recurso avaliado no valor do recurso.

Para modelos baseados em árvore, o cálculo da contribuição de recursos consiste essencialmente em determinar quais divisões na árvore têm mais impacto na pontuação final e atribuir o valor do impacto aos recursos que determinam a divisão. Mais precisamente, a contribuição de um recurso é igual à alteração na pontuação produzida explorando a subconsulta oposta sempre que um nó de decisão para o recurso especificado é encontrado. Considere um caso simples com uma única árvore de decisão que tenha um nó de decisão para o recurso binário F1. Dado um exemplo que tem o recurso F1 igual a true, podemos calcular a pontuação que ele teria obtido se escolhermos a subárvore correspondente ao recurso F1 ser igual a false, mantendo os outros recursos constantes. A contribuição do recurso F1 para o exemplo especificado é a diferença entre a pontuação original e a pontuação obtida tomando a decisão oposta no nó correspondente ao recurso F1. Esse algoritmo se estende naturalmente a modelos com muitas árvores de decisão.

Verifique a seção Consulte Também para obter links para exemplos de uso.

Métodos

Fit(IDataView)	Estimador para FeatureContributionCalculatingTransformer. Calcula as contribuições por recurso específicas do modelo para a pontuação de cada vetor de entrada. (Herdado de TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Retorna o SchemaShape esquema que será produzido pelo transformador. Usado para propagação e verificação de esquema em um pipeline.

Métodos de Extensão

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

Acrescente um "ponto de verificação de cache" à cadeia de estimativas. Isso garantirá que os estimadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que fazem várias passagens de dados.

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

Dado um estimador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um estimador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário construir uma cadeia de estimadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos que o transformador seja enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado quando fit for chamado.

Confira também

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