共用方式為


FeatureContributionCalculatingEstimator 類別

定義

FeatureContributionCalculatingTransformer 估算器。 計算每個輸入向量分數的模型特定個別特徵貢獻。

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)
繼承
FeatureContributionCalculatingEstimator

備註

估算器特性

此估算器是否需要查看資料來定型其參數?
輸入資料行資料類型 的已知大小向量 Single
輸出資料行資料類型 的已知大小向量 Single
可匯出至 ONNX

使用定型模型的資料集評分會產生每個範例的分數或預測。 若要瞭解並說明這些預測,檢查哪些特徵最顯著地影響這些預測會很有用。 此轉換器會針對每個範例計算每個功能分數的模型特定貢獻清單。 這些貢獻可以是正面的 (它們讓分數較高) 或負面 (分數降低) 。

下列模型目前支援特徵貢獻計算:

對於線性模型,指定特徵的貢獻等於特徵值乘以對應的權數乘積。 同樣地,針對一般化加法模型 (GAM) ,特徵的貢獻等於以特徵值評估之指定特徵的圖形函式。

針對以樹狀結構為基礎的模型,特徵貢獻的計算基本上包含判斷樹狀結構中的分割對最終分數的影響最大,並將影響的值指派給決定分割的功能。 更精確地說,功能的貢獻等於每次遇到指定功能的決策節點時,探索相反子樹狀結構所產生的分數變更。 請考慮使用具有二進位功能 F1 決策節點的單一決策樹的簡單案例。 假設功能 F1 等於 true 的範例,我們可以計算如果選擇對應至功能 F1 的子樹等於 false,同時保留其他特徵常數,就可以計算其取得的分數。 給定範例的功能 F1 貢獻在於原始分數與取得分數之間的差異,方法是在對應至功能 F1 的節點上採取相反決策。 此演算法自然擴充至具有許多決策樹的模型。

如需使用範例的連結,請參閱另請參閱一節。

方法

Fit(IDataView)

FeatureContributionCalculatingTransformer 估算器。 計算每個輸入向量分數的模型特定個別特徵貢獻。

(繼承來源 TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)

SchemaShape 回由轉換器產生之架構的 。 用於管線中的架構傳播和驗證。

擴充方法

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

將「快取檢查點」附加至估算器鏈結。 這可確保下游估算器會針對快取的資料定型。 在接受多個資料通過的定型器之前,擁有快取檢查點會很有説明。

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

假設有估算器,則會傳回包裝物件,一旦 Fit(IDataView) 呼叫委派即可。 估算器通常必須傳回符合專案的相關資訊,這就是方法 Fit(IDataView) 傳回特定型別物件的原因,而不是只傳回一般 ITransformer 。 不過,同時 IEstimator<TTransformer> ,通常會形成具有許多物件的管線,因此我們可能需要透過 EstimatorChain<TLastTransformer> 建置估算器的鏈結,而我們想要取得轉換器的估算器會在此鏈結的某處被隱藏。 在該案例中,我們可以透過此方法附加呼叫一次將會呼叫的委派。

適用於

另請參閱