Permütasyon Özelliği Önem Derecesi
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- makine öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
- Azure Machine Learninghakkında daha fazla bilgi edinin.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Eğitilen bir model ve test veri kümesi verilen özellik değişkenlerinin permütasyon özelliği önem puanlarını hesaplar
Kategori: Özellik seçimi modülleri
Not
uygulama hedefi: yalnızca Machine Learning Studio (klasik)
benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.
Modüle genel bakış
bu makalede, veri kümeniz için bir özellik önem puanlarının bir kümesini hesaplamak üzere Machine Learning Studio 'da (klasik) permütasyon özelliği önem derecesi ' nin nasıl kullanılacağı açıklanır. Bu puanları, bir modelde kullanılacak en iyi özellikleri belirlemenize yardımcı olması için kullanabilirsiniz.
Bu modülde özellik değerleri rastgele karıştırılmış, tek seferde bir sütun ve modelin performansı önce ve sonra ölçülür. Performansı ölçmek için sunulan Standart ölçülerden birini seçebilirsiniz.
Modülün döndürdüğü puanlar, permütasyon sonrasında eğitilen bir modelin performansındaki değişikliği temsil eder. Önemli özellikler genellikle karışık süreç için daha duyarlıdır ve bu sayede daha fazla önem derecesine neden olur.
Bu makalede, permütasyon özelliğinin önem derecesi, teorik özelliği ve makine öğrenimi: permütasyon özelliği önem derecesine göre genel bir genel bakış sunulmaktadır.
Permütasyon özelliği önem derecesi kullanma
Bir özellik puanları kümesi oluşturmak için, zaten eğitilen bir modelin yanı sıra bir test veri kümesi olmasını gerektirir.
Deneme özelliği önem derecesi modülünü denemenize ekleyin. Bu modülü Özellik seçimi kategorisinde bulabilirsiniz.
Bağlan, sol girişe eğitilen bir model. Model, regresyon modeli veya sınıflandırma modeli olmalıdır.
Doğru girişte, tercihen modeli eğitmek için kullanılan veri kümesinden farklı bir veri kümesi bağlayın. Bu veri kümesi, eğitilen modeli temel alan Puanlama için ve özellik değerleri değiştirildikten sonra modeli değerlendirmek için kullanılır.
Rastgele çekirdekiçin, rasgeleleştirme için çekirdek olarak kullanılacak bir değer yazın. 0 (varsayılan) belirtirseniz, sistem saatine göre bir sayı oluşturulur.
Çekirdek değer isteğe bağlıdır, ancak aynı denemenin reproducibility arasında çalışmasını istiyorsanız bir değer sağlamalısınız.
Performansı ölçme ölçümüiçin, permütasyon sonrasında model kalitesi hesaplanırken kullanılacak tek bir ölçüm seçin.
Machine Learning Studio (klasik), bir sınıflandırma veya regresyon modelini değerlendiriyor olmanıza bağlı olarak aşağıdaki ölçümleri destekler:
Sınıflandırma
Doğruluk, duyarlık, geri çekme, ortalama günlük kaybı
Regresyon
Precision, geri çek, ortalama mutlak hata, kök ortalama kare hatası, göreli mutlak hata, göreli kare hatası, belirleme katsayısı
Bu değerlendirme ölçümlerinin ve nasıl hesaplandıkları hakkında daha ayrıntılı bir açıklama için bkz. değerlendir.
Denemeyi çalıştırın.
Modül, bir özellik sütunları listesi ve bunlarla ilişkili puanlar, puanlar sırasıyla azalan şekilde sıralanır.
Örnekler
Azure yapay zeka GalerisiŞu örnek denemeleri bakın:
Permütasyon özelliği önem derecesi: Bu modülün, permütasyon önem derecelerinde bir veri kümesinin özellik değişkenlerini derecelendirmek için nasıl kullanılacağını gösterir.
Permütasyon özelliği önem modülünü kullanma: Bu modülün bir Web hizmetinde kullanımını gösterir.
Teknik notlar
Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları sağlanmaktadır.
Bu, diğer özellik seçimi yöntemleriyle nasıl karşılaştırılmaktadır?
Permütasyon özelliği önem derecesi, her bir özellik sütununun değerlerini rastgele değiştirerek, tek seferde bir sütundan ve sonra modeli değerlendirirken kullanılır.
Permütasyon özelliği önem derecesine göre sunulan ranteler, genellikle bir model oluşturulmadan önce puanları hesaplayan filtre tabanlı özellik seçimindenaldığınız uygulamalardan farklıdır.
Bunun nedeni, permütasyon özelliğinin önem derecesi bir özellik ile hedef değer arasındaki ilişkilendirmeyi ölçmez, ancak bunun yerine her bir özelliğin modelden tahminlerde ne kadar etkinin olduğunu yakalar.
Beklenen girişler
Ad | Tür | Description |
---|---|---|
Eğitilen model | ILearner arabirimi | Eğitilen sınıflandırma veya regresyon modeli |
Test verileri | Veri tablosu | Veri kümesini Puanlama için test edin ve özellik değerlerinin permütasyondan sonra modeli değerlendirmek |
Modül parametreleri
Ad | Tür | Aralık | İsteğe Bağlı | Varsayılan | Description |
---|---|---|---|---|---|
Rastgele çekirdek | Tamsayı | >sınama | Gerekli | 0 | Rastgele sayı Oluşturucu çekirdek değeri |
Performansı ölçmek için ölçüm | EvaluationMetricType | listeden seç | Gerekli | Sınıflandırma-doğruluk | Permütasyon sonrasında modelin değişkenlik sayısını değerlendirirken kullanılacak ölçümü seçin |
Çıkışlar
Ad | Tür | Description |
---|---|---|
Özelliğin önemi | Veri tablosu | Seçili ölçüm temelinde Özellik önem sonuçlarını içeren bir veri kümesi |
Özel durumlar
Özel durum | Description |
---|---|
Hata 0062 | Farklı Learner türleriyle iki modeli karşılaştırmaya çalışırken özel durum oluşur. |
Hata 0024 | DataSet bir etiket sütunu içermiyorsa özel durum oluşur. |
Hata 0105 | Modül tanımı dosyası desteklenmeyen parametre türünü tanımlıyorsa oluşturulur |
Hata 0021 | Modüle geçirilen bazı veri kümelerinin satır sayısı çok küçükse özel durum oluşur. |
Ayrıca bkz.
Özellik Seçimi
Filtre Tabanlı Özellik Seçimi
Temel Bileşen Analizi