FeatureContributionCalculatingEstimator Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Transforms

Zestaw:

Microsoft.ML.Data.dll

Pakiet:

Microsoft.ML v3.0.1

Narzędzie do szacowania dla .FeatureContributionCalculatingTransformer Oblicza specyficzne dla modelu współtworzenie poszczególnych funkcji do wyniku każdego wektora wejściowego.

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)

Dziedziczenie

Object

TrivialEstimator<FeatureContributionCalculatingTransformer>

FeatureContributionCalculatingEstimator

Uwagi

Charakterystyka narzędzia do szacowania

Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry?	Nie
Typ danych kolumny wejściowej	Znany wektor wielkości Single
Typ danych kolumny wyjściowej	Znany wektor wielkości Single
Możliwość eksportowania do ONNX	Nie

Ocenianie zestawu danych przy użyciu wytrenowanego modelu generuje wynik lub przewidywanie dla każdego przykładu. Aby zrozumieć i wyjaśnić te przewidywania, warto sprawdzić, które funkcje wpłynęły na nie w największym stopniu. Ten transformator oblicza specyficzną dla modelu listę współtworzenia poszczególnych funkcji do oceny dla każdego przykładu. Te wkłady mogą być pozytywne (sprawiają, że wynik jest wyższy) lub ujemny (sprawiają, że wynik jest niższy).

Obliczanie udziału funkcji jest obecnie obsługiwane w przypadku następujących modeli:

• Regresji:
  • OlsTrainer
  • SdcaRegressionTrainer
  • OnlineGradientDescentTrainer
  • LbfgsPoissonRegressionTrainer
  • GamRegressionTrainer
  • LightGbmRegressionTrainer
  • FastTreeRegressionTrainer
  • FastForestRegressionTrainer
  • FastTreeTweedieTrainer
• Klasyfikacja binarna:
  • AveragedPerceptronTrainer
  • LinearSvmTrainer
  • LbfgsLogisticRegressionBinaryTrainer
  • SdcaNonCalibratedBinaryTrainer
  • SdcaLogisticRegressionBinaryTrainer
  • SgdCalibratedTrainer
  • SgdNonCalibratedTrainer
  • SymbolicSgdLogisticRegressionBinaryTrainer
  • GamBinaryTrainer
  • FastForestBinaryTrainer
  • FastTreeBinaryTrainer
  • LightGbmBinaryTrainer
• Ranking:
  • FastTreeRankingTrainer
  • LightGbmRankingTrainer

W przypadku modeli liniowych współtworzenie danej funkcji jest równe iloczynowi wartości funkcji razy odpowiadająca im waga. Podobnie w przypadku uogólnionych modeli addytywnego (GAM) współtworzenie funkcji jest równe funkcji kształtu dla danej funkcji ocenianej na wartości funkcji.

W przypadku modeli opartych na drzewach obliczanie udziału funkcji zasadniczo polega na określeniu, które podziały w drzewie mają największy wpływ na wynik końcowy i przypisanie wartości wpływu do cech określających podział. Dokładniej rzecz biorąc, udział funkcji jest równy zmianie wyniku generowanego przez eksplorowanie przeciwnego podzadrzewa za każdym razem, gdy napotkano węzeł decyzyjny dla danej funkcji. Rozważ prosty przypadek z pojedynczym drzewem decyzyjnym, który ma węzeł decyzyjny dla funkcji binarnej F1. Biorąc pod uwagę przykład z funkcją F1 równą true, możemy obliczyć wynik uzyskany w przypadku wybrania poddrzewa odpowiadającego funkcji F1 równej fałszowi przy zachowaniu stałej innych funkcji. Udział funkcji F1 dla danego przykładu jest różnicą między oryginalnym wynikiem a wynikiem uzyskanym przez podjęcie przeciwnej decyzji w węźle odpowiadającym funkcji F1. Ten algorytm rozszerza naturalnie modele z wieloma drzewami decyzyjnymi.

Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.

Metody

Fit(IDataView)	Narzędzie do szacowania dla .FeatureContributionCalculatingTransformer Oblicza specyficzne dla modelu współtworzenie poszczególnych funkcji do wyniku każdego wektora wejściowego. (Odziedziczone po TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	SchemaShape Zwraca schemat, który zostanie wygenerowany przez transformator. Służy do propagacji schematu i weryfikacji w potoku.

Metody rozszerzania

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

Dołącz "punkt kontrolny buforowania" do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane pod kątem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych.

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

Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który będzie wywoływać delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólny ITransformerelement . Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania, za pośrednictwem EstimatorChain<TLastTransformer> którego narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania.

Zobacz też

• CalculateFeatureContribution<TModelParameters,TCalibrator>(TransformsCatalog, ISingleFeaturePredictionTransformer<CalibratedModelParametersBase<TModelParameters, TCalibrator>>, Int32, Int32, Boolean)
• CalculateFeatureContribution(TransformsCatalog, ISingleFeaturePredictionTransformer<ICalculateFeatureContribution>, Int32, Int32, Boolean)