排列功能重要性

對於定型模型和測試資料集的功能變數計算排列功能重要性分數

類別: 特徵選取模組

注意

適用于 : Machine Learning Studio (傳統)

此內容僅適用于 Studio (傳統) 。 Azure Machine Learning 設計工具中已新增類似的拖放模組。 若要深入瞭解 這兩個版本,請參閱這篇文章

模組概觀

本文說明如何使用 Azure Machine Learning Studio (傳統) 中的 排列功能重要性 模組,來計算資料集的一組功能重要性分數。 您可以使用這些分數來協助您判斷要在模型中使用的最佳功能。

在此課程模組中,功能值會隨機隨機地隨機地隨機地隨機執行,一個資料行,而模型的效能會在之前和之後進行測量。 您可以選擇所提供的其中一個標準計量來測量效能。

模組傳回的分數代表定型模型在排列之後的效能 變更 。 重要功能通常比打散程序更敏感,因此會導致更高的重要性分數。

本文提供在機器學習服務中排列功能重要性、理論基礎以及其應用程式的良好一般總覽: 排列功能重要性

如何使用排列功能重要性

若要產生一組功能分數,您需要有已定型的模型,以及測試資料集。

  1. 排列功能重要性 模組新增至您的實驗。 您可以在 [ 特徵選取 ] 分類中找到此模組。

  2. 將定型的模型連接至左方輸入。 模型必須是回歸模型或分類模型。

  3. 在右邊的輸入上,串連資料組,最好是與用來定型模型的資料集不同的資料集。 這個資料集會根據定型的模型來進行評分,並在功能值變更之後評估模型。

  4. 針對 [ 隨機種子],輸入要做為隨機植入的值。 如果您指定 0 (預設) ,則會根據系統時鐘產生數位。

    種子值是選擇性的,但如果您想要在相同實驗的各個回合執行重現性,則應提供一個值。

  5. 針對 測量效能的計量,請選取在排列之後計算模型品質時要使用的單一度量。

    Azure Machine Learning Studio (傳統) 支援下列計量,取決於您是否正在評估分類或回歸模型:

    • 分類

      精確度、有效位數、召回率、平均記錄遺失

    • 迴歸

      精確度、召回率、平均絕對錯誤、根平均平方誤差、相對絕對錯誤、相對平方誤差、判斷係數

    如需這些評估度量以及如何計算的詳細說明,請參閱 評估

  6. 執行實驗。

  7. 此模組會輸出特徵資料行清單以及與它們相關聯的分數,並依分數的順序遞減排序。

範例

請參閱 AZURE AI 資源庫中的下列範例實驗:

技術說明

本節提供常見問題的執行詳細資料、秘訣和解答。

這與其他特徵選取方法有何不同?

排列功能重要性的運作方式是隨機變更每個特徵資料行的值、一次一個資料行,然後評估模型。

排列功能重要性所提供的排名通常與您從以 篩選器為基礎的特徵選取專案所取得的排名不同,這會在建立模型 之前 計算分數。

這是因為排列功能重要性不會測量功能與目標值之間的關聯,而是會從模型中的預測中,改為捕捉每項功能的影響程度。

預期的輸入

名稱 類型 Description
定型的模型 ILearner 介面 定型的分類或迴歸模型
測試資料 資料表 用於在排列功能值之後計分或評估模型的測試資料集

模組參數

名稱 類型 範圍 選擇性 預設 描述
隨機種子 整數 >= 0 必要 0 亂數產生品種子值
用於測量效能的度量 EvaluationMetricType 從清單中選取 必要 分類 - 精確度 選取在排列之後評估模型變化時所要使用的度量

輸出

名稱 類型 Description
功能重要性 資料表 資料集,根據選取的度量,包含功能重要性結果

例外狀況

例外狀況 描述
錯誤 0062 嘗試比較兩個具有不同學習模組類型的模型時,就會發生例外狀況。
錯誤 0024 如果資料集未包含標籤資料行,就會發生例外狀況。
錯誤 0105 模組定義檔定義不受支援的參數類型時擲回
錯誤 0021 如果傳至模組的某些資料集中的資料列數目太少,就會發生例外狀況。

另請參閱

特徵選取
以篩選器為基礎的特徵選取
主體元件分析