機能の重要性を理解することは、モデルの予測に影響を与える変数を特定するために、監督された学習に不可欠です。さまざまな方法は、その利点とアプリケーションでそれぞれ、機能の重要性を評価するために存在します。この記事は、一般的なテクニックを探求し、使用を明らかにするための例を提供します。

機能のの重要性の計算方法

モデル固有のモデルとモデルアグノスティックアプローチを含む機能重要性を決定するために、いくつかの方法が使用されます。 これらの技術は、モデルを解釈し、影響力のある機能を強調することによって、その性能を向上させるのに役立ちます。

モデル固有の方法

特定のアルゴリズムに合わせてモデル固有のメソッドが調整されます。例えば、Random Forests のような決定の木とアンサンブルモデルは、データ分割や不純物の発生率減少に用いられる機能の重要性の組み込み対策を提供します。

モデル-アグノスティック法

予測モデルには、モデルアグノスティック技術を適用することができます。 透過性の重要性は、機能の値はランダムにシャッフルされるとき、予測エラーの増加を測定する一般的な方法です。 これは、モデルがその機能に依存する量を示しています。

機能の重要性計算例

ランドームフォレストモデルは、家の価格を予測するために訓練されています。 ビルトイン機能重要点は、正方形の映像や場所などの機能が、予測に最も影響することを明らかにします。 または、これらの発見を検証するためにモデルのトレーニング後に、迫害の重要性を使用することができます。

  • 不純物減少による決定ツリーの特徴の重要性
  • ランダムフォレスト重要スコア
  • モデルアグノスティック評価の透過性の重要性
  • SHAP は、詳細な機能のコントリビュート解析のための値