Permütasyon Özelliği Önem Derecesi
Bu makalede, veri kümeniz için bir dizi özellik önem puanı hesaplamak için Azure Machine Learning tasarımcısında Permütasyon Özelliği Önem Derecesi bileşeninin nasıl kullanılacağı açıklanmaktadır. Bir modelde kullanılacak en iyi özellikleri belirlemenize yardımcı olması için bu puanları kullanırsınız.
Bu bileşende, özellik değerleri her seferinde bir sütun olmak üzere rastgele karıştırılır. Modelin performansı, önce ve sonra ölçülür. Performansı ölçmek için standart ölçümlerden birini seçebilirsiniz.
Bileşenin döndürdüğü puanlar, permütasyondan sonra eğitilen modelin performansındaki değişikliği temsil eder. Önemli özellikler genellikle karıştırma işlemine daha duyarlıdır, bu nedenle daha yüksek önem derecelerine neden olur.
Bu makalede permütasyon özelliğine, teorik temeline ve makine öğrenmesindeki uygulamalarına genel bir bakış sağlanmaktadır: Permütasyon Özelliği Önemi.
Permütasyon Özelliği Önemi'ni kullanma
Bir özellik puanı kümesi oluşturmak için önceden eğitilmiş bir modele ve test veri kümesine sahip olmanız gerekir.
İşlem hattınıza Permütasyon Özelliği Önem Derecesi bileşenini ekleyin. Bu bileşeni Özellik Seçimi kategorisinde bulabilirsiniz.
Eğitilmiş bir modeli sol girişe bağlayın. Model bir regresyon modeli veya sınıflandırma modeli olmalıdır.
Doğru girişte bir veri kümesi bağlayın. Tercihen modeli eğiterken kullandığınız veri kümesinden farklı bir veri kümesi seçin. Bu veri kümesi eğitilen modele göre puanlama için kullanılır. Özellik değerleri değiştikten sonra modeli değerlendirmek için de kullanılır.
Rastgele tohum için, rastgele kullanım için tohum olarak kullanılacak bir değer girin. 0 belirtirseniz (varsayılan), sistem saati temelinde bir sayı oluşturulur.
Bir tohum değeri isteğe bağlıdır, ancak aynı işlem hattının çalıştırmaları arasında yeniden üretilebilirlik istiyorsanız bir değer sağlamanız gerekir.
Performansı ölçme ölçümü için permütasyondan sonra model kalitesini hesaplarken kullanılacak tek bir ölçüm seçin.
Azure Machine Learning tasarımcısı, sınıflandırma veya regresyon modelini değerlendirip değerlendirmediğinize bağlı olarak aşağıdaki ölçümleri destekler:
Sınıflandırma
Doğruluk, Duyarlık, Geri Çağırma
Regresyon
Duyarlık, Geri Çağırma, Ortalama Mutlak Hata, Kök Ortalama Kare Hatası, Göreli Mutlak Hata, Göreli Kare Hatası, Belirleme Katsayısı
Bu değerlendirme ölçümlerinin daha ayrıntılı bir açıklaması ve bunların nasıl hesaplandığı için bkz. Modeli Değerlendirme.
İşlem hattını gönderin.
Bileşen, özellik sütunlarının ve bunlarla ilişkili puanların listesini oluşturur. Liste, puanların azalan sırasına göre sıralanır.
Teknik notlar
Permütasyon Özelliği Önem Derecesi, her özellik sütununun değerlerini rastgele değiştirerek çalışır ve her seferinde bir sütun olur. Ardından modeli değerlendirir.
Bileşenin sağladığı derecelendirmeler genellikle Filtre Tabanlı Özellik Seçimi'nden aldıklarınızdan farklıdır. Filtre Tabanlı Özellik Seçimi, bir model oluşturulmadan önce puanları hesaplar.
Farkın nedeni, Permütasyon Özelliğinin Önemi'nin bir özellik ile hedef değer arasındaki ilişkiyi ölçmemesidir. Bunun yerine, her özelliğin modelden gelen tahminler üzerinde ne kadar etkisi olduğunu yakalar.
Sonraki adımlar
Azure Machine Learning'in kullanabileceği bileşenler kümesine bakın.