FeatureContributionCalculatingEstimator クラス

定義

名前空間:

Microsoft.ML.Transforms

アセンブリ:

Microsoft.ML.Data.dll

パッケージ:

Microsoft.ML v3.0.1

Estimator for FeatureContributionCalculatingTransformer. 各入力ベクトルのスコアに対するモデル固有の特徴ごとの寄与度を計算します。

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)

継承

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

注釈

エスティメーターの特性

この推定器は、パラメーターをトレーニングするためにデータを確認する必要がありますか?	いいえ
入力列のデータ型	の既知のサイズのベクトル Single
出力列のデータ型	の既知のサイズのベクトル Single
ONNX にエクスポート可能	いいえ

トレーニング済みのモデルを使用してデータセットをスコア付けすると、各例のスコア (予測) が生成されます。 これらの予測を理解して説明するには、どの特徴が最も大きく影響を与えているかを調べると役立ちます。 このトランスフォーマーは、各例のスコアに対する特徴ごとの寄与度のモデル固有のリストを計算します。 これらの貢献は、正の値 (スコアを高くする) または負の値 (スコアを低くする) にすることができます。

機能コントリビューション計算は、現在、次のモデルでサポートされています。

• 回帰:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• 二項分類:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• ランキング：
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

線形モデルの場合、特定の特徴の寄与度は、特徴値の積と対応する重みの積と等しくなります。 同様に、一般化加法モデル (GAM) の場合、特徴の寄与度は、特徴値で評価された特定の特徴の形状関数と等しくなります。

ツリー ベースのモデルの場合、特徴量の寄与度の計算は、基本的に、ツリー内のどの分割が最終的なスコアに最も影響するかを判断し、その影響の値を分割を決定する特徴に割り当てることで構成されます。 より正確には、特徴の寄与は、特定の特徴の決定ノードが検出されるたびに反対のサブツリーを探索することによって生成されるスコアの変化と等しくなります。 バイナリ機能 F1 のデシジョン ノードを持つ 1 つのデシジョン ツリーを使用する単純なケースを考えてみましょう。 特徴 F1 が true に等しい例を考えると、他の特徴を一定に保ちながら、特徴 F1 に対応するサブツリーを false に対応するサブツリーを選択した場合に取得したスコアを計算できます。 与えられた例に対する特徴F1の寄与は、特徴F1に対応するノードで反対の決定を取ることによって得られた元のスコアとスコアの差である。 このアルゴリズムは、多くのデシジョン ツリーを持つモデルに自然に拡張されます。

使用例へのリンクについては、「関連項目」セクションを参照してください。

メソッド

Fit(IDataView)	Estimator for FeatureContributionCalculatingTransformer. 各入力ベクトルのスコアに対するモデル固有の特徴ごとの寄与度を計算します。 (継承元 TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	SchemaShapeトランスフォーマーによって生成されるスキーマの値を返します。 パイプラインでのスキーマの伝達と検証に使用されます。

拡張メソッド

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

推定チェーンに "キャッシュ チェックポイント" を追加します。 これにより、ダウンストリーム推定器がキャッシュされたデータに対してトレーニングされるようになります。 複数のデータを受け取るトレーナーの前にキャッシュ チェックポイントを設定すると便利です。

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

エスティメーターを指定すると、デリゲートが呼 Fit(IDataView) び出されると呼び出されるラップ オブジェクトを返します。 多くの場合、エスティメーターが適合した内容に関する情報を返すことが重要です。そのため Fit(IDataView) 、メソッドは一般的 ITransformerなオブジェクトではなく、具体的に型指定されたオブジェクトを返します。 ただし、同時に、 IEstimator<TTransformer> 多くのオブジェクトを含むパイプラインに形成されることが多いため、トランスフォーマーを取得する推定器がこのチェーンのどこかに埋もれている場所を介して EstimatorChain<TLastTransformer> 、推定器のチェーンを構築する必要がある場合があります。 このシナリオでは、このメソッドを使用して、fit が呼び出されると呼び出されるデリゲートをアタッチできます。

こちらもご覧ください

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