FeatureContributionCalculatingEstimator Klasse
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Schätzer für FeatureContributionCalculatingTransformer. Berechnet modellspezifische Beiträge pro Feature zur Bewertung jedes Eingabevektors.
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)- Vererbung
-
FeatureContributionCalculatingEstimator
Hinweise
Schätzeigenschaften
| Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren? | No |
| Eingabespaltendatentyp | Vektor bekannter Größe von Single |
| Ausgabespaltendatentyp | Vektor bekannter Größe von Single |
| Exportierbar in ONNX | No |
Das Bewerten eines Datasets mit einem trainierten Modell erzeugt für jedes Beispiel eine Bewertung oder Vorhersage. Um diese Vorhersagen zu verstehen und zu erklären, kann es hilfreich sein, zu prüfen, welche Features sie am wichtigsten beeinflusst haben. Dieser Transformator berechnet für jedes Beispiel eine modellspezifische Liste mit Beiträgen pro Feature zur Bewertung. Diese Beiträge können positiv sein (sie machen die Bewertung höher) oder negativ (sie machen die Bewertung niedriger).
Featurebeitragsberechnung wird derzeit für die folgenden Modelle unterstützt:
- Regression:
- Binäre Klassifizierung:
- AveragedPerceptronTrainer
- LinearSvmTrainer
- LbfgsLogisticRegressionBinaryTrainer
- SdcaNonCalibratedBinaryTrainer
- SdcaLogisticRegressionBinaryTrainer
- SgdCalibratedTrainer
- SgdNonCalibratedTrainer
- SymbolicSgdLogisticRegressionBinaryTrainer
- GamBinaryTrainer
- FastForestBinaryTrainer
- FastTreeBinaryTrainer
- LightGbmBinaryTrainer
- Rangfolge:
Bei linearen Modellen entspricht der Beitrag eines bestimmten Features dem Produkt des Featurewerts die entsprechende Gewichtung. Ebenso entspricht der Beitrag eines Features für generalisierte additive Modelle (GAM) der Formfunktion für das angegebene Feature, das am Featurewert ausgewertet wird.
Bei baumbasierten Modellen besteht die Berechnung des Featurebeitrags im Wesentlichen darin, zu bestimmen, welche Aufteilungen in der Struktur die meisten Auswirkungen auf die Endbewertung haben und den Wert der Auswirkung den Features zuweisen, die die Aufteilung bestimmen. Genauer gesagt ist der Beitrag eines Features gleich der Änderung der Bewertung, die durch Untersuchen der entgegengesetzten Unterstruktur bei jedem Auftreten eines Entscheidungsknotens für das angegebene Feature erzeugt wird. Betrachten Sie einen einfachen Fall mit einer einzelnen Entscheidungsstruktur, die über einen Entscheidungsknoten für das binäre Feature F1 verfügt. Bei einem Beispiel mit dem Feature F1 gleich "true" können wir die Bewertung berechnen, die sie erhalten hätte, wenn wir die Unterstruktur ausgewählt haben, die dem Feature F1 entspricht, wobei die anderen Features konstant bleiben. Der Beitrag von Feature F1 für das angegebene Beispiel ist der Unterschied zwischen dem ursprünglichen Score und dem Ergebnis, der durch die entgegengesetzte Entscheidung am Knoten abgerufen wird, der dem Feature F1 entspricht. Dieser Algorithmus erstreckt sich natürlich auf Modelle mit vielen Entscheidungsbäumen.
Im Abschnitt "Siehe auch" finden Sie Links zu Verwendungsbeispielen.
Methoden
| Name | Beschreibung |
|---|---|
| Fit(IDataView) |
Schätzer für FeatureContributionCalculatingTransformer. Berechnet modellspezifische Beiträge pro Feature zur Bewertung jedes Eingabevektors. (Geerbt von TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Gibt das SchemaShape Schema zurück, das vom Transformator erzeugt wird. Wird für die Schemaverteilung und Überprüfung in einer Pipeline verwendet. |
Erweiterungsmethoden
| Name | Beschreibung |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgeschalteten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Zwischenspeicherprüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Geben Sie bei einer Schätzung ein Wrapping-Objekt zurück, das eine Stellvertretung aufruft, sobald Fit(IDataView) sie aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen zu dem, was passt, zurückgeben, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt und nicht nur ein allgemeines ITransformerObjekt zurückgibt. IEstimator<TTransformer> Gleichzeitig werden jedoch oft in Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern bauen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten wollen, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode einen Delegat anfügen, der aufgerufen wird, sobald "Fit" aufgerufen wird. |
Gilt für:
Weitere Informationen
- CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)
- CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)