Partager via

FeatureContributionCalculatingEstimator Classe

  • Référence

Définition

Espace de noms:
Microsoft.ML.Transforms
Assembly:
Microsoft.ML.Data.dll
Paquet:
Microsoft.ML v3.0.1
Paquet:
Microsoft.ML v1.0.0
Paquet:
Microsoft.ML v1.1.0
Paquet:
Microsoft.ML v1.2.0
Paquet:
Microsoft.ML v1.3.1
Paquet:
Microsoft.ML v1.4.0
Paquet:
Microsoft.ML v1.5.5
Paquet:
Microsoft.ML v1.6.0
Paquet:
Microsoft.ML v1.7.0
Paquet:
Microsoft.ML v2.0.0

Estimateur pour FeatureContributionCalculatingTransformer. Calcule les contributions par fonctionnalité spécifiques au modèle au score de chaque vecteur d’entrée.

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)
Héritage
Object
TrivialEstimator<FeatureContributionCalculatingTransformer>
FeatureContributionCalculatingEstimator

Remarques

Caractéristiques de l’estimateur
Cet estimateur doit-il examiner les données pour entraîner ses paramètres ? Non
Type de données de colonne d’entrée Vecteur de taille connue de Single
Type de données de colonne de sortie Vecteur de taille connue de Single
Exportable vers ONNX Non

Le scoring d’un jeu de données avec un modèle formé produit un score ou une prédiction, pour chaque exemple. Pour comprendre et expliquer ces prédictions, il peut être utile d’inspecter les caractéristiques qui les ont influencés le plus considérablement. Ce transformateur calcule une liste spécifique à un modèle de contributions par fonctionnalité au score pour chaque exemple. Ces contributions peuvent être positives (elles rendent le score plus élevé) ou négatives (elles réduisent le score).

Le calcul des contributions aux fonctionnalités est actuellement pris en charge pour les modèles suivants :

Pour les modèles linéaires, la contribution d’une caractéristique donnée est égale au produit de la valeur des caractéristiques fois le poids correspondant. De même, pour les modèles additifs généralisés (GAM), la contribution d’une fonctionnalité est égale à la fonction de forme pour la fonctionnalité donnée évaluée à la valeur de la fonctionnalité.

Pour les modèles basés sur les arborescences, le calcul de la contribution des caractéristiques consiste essentiellement à déterminer les fractionnements dans l’arborescence qui ont le plus d’impact sur le score final et à affecter la valeur de l’impact aux caractéristiques déterminant le fractionnement. Plus précisément, la contribution d’une fonctionnalité est égale à la modification du score produite par l’exploration de la sous-arborescence opposée chaque fois qu’un nœud de décision pour la fonctionnalité donnée est rencontré. Considérez un cas simple avec un arbre de décision unique qui a un nœud de décision pour la fonctionnalité binaire F1. Étant donné un exemple qui a la fonctionnalité F1 égale à true, nous pouvons calculer le score qu’il aurait obtenu si nous avons choisi la sous-arborescence correspondant à la fonctionnalité F1 étant égale à false tout en conservant les autres caractéristiques constantes. La contribution de la fonctionnalité F1 pour l’exemple donné est la différence entre le score d’origine et le score obtenu en prenant la décision opposée au nœud correspondant à la fonctionnalité F1. Cet algorithme s’étend naturellement aux modèles avec de nombreux arbres de décision.

Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.

Méthodes

Fit(IDataView)

Estimateur pour FeatureContributionCalculatingTransformer. Calcule les contributions par fonctionnalité spécifiques au modèle au score de chaque vecteur d’entrée.

(Hérité de TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)

Retourne le SchemaShape schéma qui sera produit par le transformateur. Utilisé pour la propagation et la vérification du schéma dans un pipeline.

Méthodes d’extension

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

Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données.
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Étant donné un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important qu’un estimateur retourne des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets. Nous pouvons donc avoir besoin de créer une chaîne d’estimateurs par EstimatorChain<TLastTransformer> le biais de laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé.

S’applique à

Voir aussi