FeatureContributionCalculatingEstimator Kelas

Definisi

Ruang nama:

Microsoft.ML.Transforms

Rakitan:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v3.0.1

Estimator untuk FeatureContributionCalculatingTransformer. Menghitung kontribusi per fitur khusus model ke skor setiap vektor 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)

Warisan

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

Keterangan

Karakteristik Estimator

Apakah estimator ini perlu melihat data untuk melatih parameternya?	Tidak
Jenis data kolom input	Vektor berukuran dikenal dari Single
Jenis data kolom output	Vektor berukuran dikenal dari Single
Dapat diekspor ke ONNX	Tidak

Menilai himpunan data dengan model terlatih menghasilkan skor, atau prediksi, untuk setiap contoh. Untuk memahami dan menjelaskan prediksi ini, akan berguna untuk memeriksa fitur mana yang paling memengaruhinya. Transformator ini menghitung daftar kontribusi per fitur khusus model ke skor untuk setiap contoh. Kontribusi ini bisa positif (mereka membuat skor lebih tinggi) atau negatif (mereka membuat skor lebih rendah).

Perhitungan Kontribusi Fitur saat ini didukung untuk model berikut:

• Regresi:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• Klasifikasi Biner:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• Peringkat:
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

Untuk model linier, kontribusi fitur tertentu sama dengan produk nilai fitur kali berat yang sesuai. Demikian pula, untuk Generalized Additive Models (GAM), kontribusi fitur sama dengan fungsi bentuk untuk fitur yang diberikan yang dievaluasi pada nilai fitur.

Untuk model berbasis pohon, perhitungan kontribusi fitur pada dasarnya terdiri dari menentukan pemisahan mana di pohon yang paling berdampak pada skor akhir dan menetapkan nilai dampak terhadap fitur yang menentukan pemisahan. Lebih tepatnya, kontribusi fitur sama dengan perubahan skor yang dihasilkan dengan menjelajahi sub-pohon yang berlawanan setiap kali simpul keputusan untuk fitur yang diberikan ditemui. Pertimbangkan kasus sederhana dengan satu pohon keputusan yang memiliki simpul keputusan untuk fitur biner F1. Mengingat contoh yang memiliki fitur F1 sama dengan true, kita dapat menghitung skor yang akan diperolehnya jika kita memilih subtree yang sesuai dengan fitur F1 yang sama dengan false sambil menjaga fitur lain tetap konstan. Kontribusi fitur F1 untuk contoh yang diberikan adalah perbedaan antara skor asli dan skor yang diperoleh dengan mengambil keputusan yang berlawanan pada node yang sesuai dengan fitur F1. Algoritma ini meluas secara alami ke model dengan banyak pohon keputusan.

Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.

Metode

Fit(IDataView)	Estimator untuk FeatureContributionCalculatingTransformer. Menghitung kontribusi per fitur khusus model ke skor setiap vektor input. (Diperoleh dari TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Mengembalikan SchemaShape skema yang akan diproduksi oleh transformator. Digunakan untuk penyebaran dan verifikasi skema dalam alur.

Metode Ekstensi

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

Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data berlalu.

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

Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang di ketik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> di mana estimator yang ingin kita dapatkan transformator dimakamkan di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah fit dipanggil.

Lihat juga

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