FeatureContributionCalculatingEstimator Класс

Определение

Пространство имен:

Microsoft.ML.Transforms

Сборка:

Microsoft.ML.Data.dll

Пакет:

Microsoft.ML v3.0.1

Оценщик для FeatureContributionCalculatingTransformer. Вычисляет вклад модели для каждой функции в оценку каждого входного вектора.

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)

Наследование

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

Комментарии

Характеристики оценщика

Нужно ли этому оценщику просмотреть данные для обучения параметров?	нет
Тип данных входного столбца	Вектор известного размера Single
Тип данных выходного столбца	Вектор известного размера Single
Экспортируемый в ONNX	нет

Оценка набора данных с обученной моделью создает оценку или прогноз для каждого примера. Чтобы понять и объяснить эти прогнозы, полезно проверить, какие функции повлияли на них наиболее значительно. Этот преобразователь вычисляет определенный для модели список вкладов для каждой функции в оценку для каждого примера. Эти вклады могут быть положительными (они делают оценку выше) или отрицательными (они делают оценку ниже).

Вычисление вклада компонентов в настоящее время поддерживается для следующих моделей:

• Регрессии:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• Двоичная классификация:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• Рейтинг:
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

Для линейных моделей вклад данной функции равен произведению значения признака, равному соответствующему весу. Аналогичным образом, для обобщенных аддитивных моделей (GAM) вклад компонента равен функции фигуры для данной функции, оцененной по значению признака.

Для моделей на основе дерева расчет вклада признаков по сути состоит в определении того, какие разбиения в дереве оказывают наибольшее влияние на окончательную оценку и назначение значения влияния на признаки, определяющие разделение. Точнее, вклад функции равен изменению оценки, созданной путем изучения противоположного поддеревого дерева при каждом обнаружении узла принятия решений для данной функции. Рассмотрим простой случай с одним деревом принятия решений с узлом принятия решений для двоичной функции F1. Учитывая пример с функцией F1, равной true, можно вычислить оценку, полученную при выборе поддеревого дерева, соответствующего признаку F1, равному false, сохраняя константу других функций. Вклад функции F1 для данного примера заключается в разнице между исходной оценкой и оценкой, полученной путем принятия противоположного решения на узле, соответствующем функции F1. Этот алгоритм естественным образом распространяется на модели с множеством деревьев принятия решений.

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Методы

Fit(IDataView)	Оценщик для FeatureContributionCalculatingTransformer. Вычисляет вклад модели для каждой функции в оценку каждого входного вектора. (Унаследовано от TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Возвращает схему SchemaShape , которая будет производиться преобразователем. Используется для распространения и проверки схемы в конвейере.

Методы расширения

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

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.

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

Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.

См. также раздел

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