Permutation Feature Importance
Importante
Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.
A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).
- Vedere leinformazioni sullo spostamento di progetti di Machine Learning da ML Studio (versione classica) ad Azure Machine Learning.
- Altre informazioni sulle Azure Machine Learning.
La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.
Calcola i punteggi di importanza della funzione di permutazione delle variabili di funzione, dati un modello di training e un set di dati di test
Categoria: Moduli di selezione delle funzionalità
Nota
Si applica a: Machine Learning Studio (versione classica)
Nella finestra di progettazione sono disponibili moduli simili Azure Machine Learning trascinamento della selezione.
Panoramica del modulo
Questo articolo descrive come usare il modulo Permutation Feature Importance in Machine Learning Studio (versione classica) per calcolare un set di punteggi di importanza delle funzionalità per il set di dati. Questi punteggi vengono utilizzati per determinare le caratteristiche migliori da usare in un modello.
In questo modulo i valori delle caratteristiche vengono casualmente casualmente casuali, una colonna alla volta e le prestazioni del modello vengono misurate prima e dopo. È possibile scegliere una delle metriche standard fornite per misurare le prestazioni.
I punteggi restituiti dal modulo rappresentano la modifica delle prestazioni di un modello con training, dopo la permutazione. Le funzioni importanti sono in genere più sensibili al processo di selezione in ordine casuale, di conseguenza i punteggi di importanza saranno più alti.
Questo articolo offre una buona panoramica generale dell'importanza delle funzionalità di permutazione, della sua base teorica e delle applicazioni in Machine Learning: Importanza delle funzionalità di permutazione
Come usare l'importanza delle funzionalità di permutazione
Per generare un set di punteggi delle funzionalità, è necessario disporre di un modello già con training, nonché di un set di dati di test.
Aggiungere il modulo Permutation Feature Importance all'esperimento. È possibile trovare questo modulo nella categoria Selezione funzionalità.
Connessione un modello con training all'input sinistro. Il modello deve essere un modello di regressione o un modello di classificazione.
Nell'input destro connettere un set di dati, preferibilmente diverso dal set di dati usato per il training del modello. Questo set di dati viene usato per l'assegnazione dei punteggi in base al modello con training e per la valutazione del modello dopo la modifica dei valori delle caratteristiche.
Per Valore di seed casuale, digitare un valore da usare come valore di seed per la sequenza casuale. Se si specifica 0 (impostazione predefinita), viene generato un numero in base all'orologio di sistema.
Un valore di seed è facoltativo, ma è necessario specificare un valore se si vuole riproducibilità tra le esecuzioni dello stesso esperimento.
Per Metrica per la misurazione delle prestazioni, selezionare una singola metrica da usare per il calcolo della qualità del modello dopo la permutazione.
Machine Learning Studio (versione classica) supporta le metriche seguenti, a seconda che si sta valutando un modello di classificazione o regressione:
Classificazione
Accuratezza, precisione, richiamo, perdita media del log
Regressione
Precisione, richiamo, errore assoluto medio, radice errore quadrativo medio, errore assoluto relativo, errore quadrativo relativo, coefficiente di determinazione
Per una descrizione più dettagliata di queste metriche di valutazione e del modo in cui vengono calcolate, vedere Valutare.
Eseguire l'esperimento.
Il modulo restituisce un elenco di colonne di caratteristiche e i punteggi associati, classificati in ordine decrescente in base ai punteggi.
Esempio
Vedere questi esperimenti di esempio nella Azure AI Gallery:
Permutation Feature Importance (Importanza delle caratteristiche di permutazione): illustra come usare questo modulo per classificare le variabili di funzionalità di un set di dati in ordine di punteggi di importanza della permutazione.
Uso del modulo Permutation Feature Importance: illustra l'utilizzo di questo modulo in un servizio Web.
Note tecniche
Questa sezione fornisce informazioni dettagliate sull'implementazione, suggerimenti e risposte alle domande frequenti.
Qual è il confronto con altri metodi di selezione delle caratteristiche?
L'importanza delle caratteristiche di permutazione funziona modificando in modo casuale i valori di ogni colonna di funzionalità, una colonna alla volta e quindi valutando il modello.
Le classificazioni fornite dall'importanza delle caratteristiche di permutazione sono spesso diverse da quelle che si ottengono dalla selezione di funzioni in base al filtro, che calcola i punteggi prima della creazione di un modello.
Ciò è dovuto al fatto che l'importanza delle caratteristiche di permutazione non misura l'associazione tra una caratteristica e un valore di destinazione, ma acquisisce invece l'influenza di ogni caratteristica sulle stime del modello.
Input previsti
| Nome | Tipo | Descrizione |
|---|---|---|
| Trained model | ILearner interface | Modello di classificazione o regressione di training |
| Dati di test | Tabella dati | Set di dati di test usato per il calcolo dei punteggi e per valutare un modello dopo la permutazione dei valori della funzione |
Parametri del modulo
| Nome | Tipo | Intervallo | Facoltativo | Predefinito | Descrizione |
|---|---|---|---|---|---|
| Random seed | Integer | >=0 | Necessario | 0 | Valore di inizializzazione del generatore di numeri casuali |
| Metrica per la misurazione delle prestazioni | EvaluationMetricType | selezionare dall'elenco | Necessario | Classificazione - Accuratezza | Selezionare la metrica da usare durante la valutazione della variabilità del modello dopo le permutazioni |
Output
| Nome | Tipo | Descrizione |
|---|---|---|
| Priorità funzionalità | Tabella dati | Set di dati contenente i risultati del calcolo dell'importanza della funzione in base alla metrica selezionata |
Eccezioni
| Eccezione | Descrizione |
|---|---|
| Errore 0062 | L'eccezione si verifica quando si tenta di confrontare due modelli con tipi di apprendimento diversi. |
| Errore 0024 | L'eccezione si verifica se il set di dati non contiene una colonna etichetta. |
| Errore 0105 | Viene generato quando in un file di definizione del modulo viene definito un tipo di parametro non supportato |
| Errore 0021 | L'eccezione si verifica se il numero di righe in alcuni set di dati passati al modulo è troppo piccolo. |
Vedi anche
Selezione funzionalità
Filter Based Feature Selection (Selezione caratteristiche basata su filtro)
Analisi dei componenti principali