La comprensión de la característica es esencial en el aprendizaje supervisado para identificar qué variables más influyen en las predicciones del modelo. Existen diversos métodos para evaluar la importancia de las características, cada uno con sus ventajas y aplicaciones. Este artículo explora técnicas comunes y ofrece ejemplos para aclarar su uso.

Métodos para la importación de valores

Se utilizan varios métodos para determinar la importancia de las características, incluyendo modelos específicos y modelos-agnósticos. Estas técnicas ayudan a interpretar modelos y mejorar su rendimiento destacando características influyentes.

Métodos modelo-específicos

Los métodos específicos de modelo se adaptan a algoritmos particulares. Por ejemplo, los árboles de decisión y los modelos de conjunto como los bosques aleatorios proporcionan medidas de importancia característica basadas en la frecuencia con que las características se utilizan para dividir datos y la disminución resultante de la impureza.

Métodos modelo-agnostico

Las técnicas modelo-agnósticas se pueden aplicar a cualquier modelo predictivo. La importancia de la permutación es un método común que mide el aumento del error de predicción cuando los valores de una característica se deslumbran al azar. Esto indica cuánto depende el modelo en esa característica.

Ejemplos de cálculo de la importancia de la función

Supongamos que un modelo forestal aleatorio está entrenado para predecir los precios de la casa. Las puntuaciones de importancia incorporadas revelan cuáles características, como el vídeo cuadrado o la ubicación, la mayoría impactan las predicciones. Alternativamente, la importancia de la permutación puede ser utilizado después de la formación de modelos para validar estos hallazgos.

  • Árbol de decisión tiene importancia basada en la disminución de la impureza
  • Puntajes de importancia Forestal Aleatorio
  • Importancia de la permutación para la evaluación modelo-agnóstica
  • Valores SHAP para el análisis detallado de la contribución de las características