FeatureContributionCalculatingEstimator Třída

Definice

Obor názvů:

Microsoft.ML.Transforms

Sestavení:

Microsoft.ML.Data.dll

Balíček:

Microsoft.ML v3.0.1

Estimátor pro FeatureContributionCalculatingTransformer. Vypočítá příspěvky specifické pro jednotlivé funkce modelu do skóre každého vstupního vektoru.

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)

Dědičnost

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

Poznámky

Charakteristiky odhadu

Potřebuje tento estimátor podívat se na data, aby se natrénovala jeho parametry?	No
Datový typ vstupního sloupce	Vektor známé velikosti Single
Datový typ výstupního sloupce	Vektor známé velikosti Single
Exportovatelný do ONNX	No

Vyhodnocení datové sady pomocí natrénovaného modelu vytvoří skóre nebo předpověď pro každý příklad. Abyste porozuměli těmto predikcím a vysvětlili je, může být užitečné zkontrolovat, které funkce je nejvíce ovlivnily. Tento transformátor vypočítá seznam příspěvků podle jednotlivých funkcí do skóre pro každý příklad. Tyto příspěvky můžou být pozitivní (činí skóre vyšší) nebo záporné (mají nižší skóre).

Výpočet příspěvku funkce je aktuálně podporován pro následující modely:

• Regrese:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• Binární klasifikace:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• Pořadí:
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

U lineárních modelů je příspěvek dané funkce roven součinu hodnoty funkce krát odpovídající hmotnosti. Podobně platí, že u generalizovaných doplňkových modelů (GAM) se příspěvek funkce rovná funkci obrazce pro danou funkci vyhodnocenou na hodnotě funkce.

U modelů založených na stromech se výpočet příspěvku funkce v podstatě skládá z určení rozdělení, které rozdělení ve stromu má největší dopad na konečné skóre a přiřazení hodnoty dopadu k funkcím určujícím rozdělení. Přesněji řečeno, příspěvek funkce se rovná změně skóre vytvořené prozkoumáním opačného dílčího stromu při každém výskytu rozhodovacího uzlu dané funkce. Zvažte jednoduchý případ s jedním rozhodovacím stromem, který má rozhodovací uzel pro binární funkci F1. Vzhledem k příkladu, který má funkci F1 rovnou true, můžeme vypočítat skóre, které by bylo získáno, pokud bychom zvolili podstrom odpovídající funkci F1, která je rovna false, a přitom zachovat ostatní funkce konstantu. Příspěvek funkce F1 pro daný příklad je rozdíl mezi původním skóre a skóre získaným provedením opačného rozhodnutí na uzlu odpovídající funkci F1. Tento algoritmus přirozeně rozšiřuje modely s mnoha rozhodovacími stromy.

V části Viz také najdete odkazy na příklady použití.

Metody

Fit(IDataView)	Estimátor pro FeatureContributionCalculatingTransformer. Vypočítá příspěvky specifické pro jednotlivé funkce modelu do skóre každého vstupního vektoru. (Zděděno od TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	SchemaShape Vrátí schéma, které bude vytvořen transformátorem. Používá se k šíření a ověřování schématu v kanálu.

Metody rozšíření

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

Připojte k řetězci odhadu kontrolní bod ukládání do mezipaměti. Tím zajistíte, aby se podřízené estimátory natrénovaly na data uložená v mezipaměti. Před průchodem více dat je užitečné mít kontrolní bod ukládání do mezipaměti.

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

Pokud získáte odhadátor, vraťte obtékání objektu, který jednou zavolá delegáta Fit(IDataView) . Často je důležité, aby estimátor vrátil informace o tom, co bylo vhodné, což je důvod, proč Fit(IDataView) metoda vrací konkrétně zadaný objekt, a ne jen obecné ITransformer. Ve stejnou dobu se však často vytvářejí do kanálů s mnoha objekty, takže možná budeme muset vytvořit řetězec odhadovačů prostřednictvím EstimatorChain<TLastTransformer> toho, kde je odhadovač, IEstimator<TTransformer> pro který chceme získat transformátor, uložen někde v tomto řetězu. Pro tento scénář můžeme prostřednictvím této metody připojit delegáta, který bude volána po volání fit.

Viz také

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