इंटरप्रिटेड मशीन लर्निंग मॉडल। भाग 1

सभी को नमस्कार। मशीन लर्निंग कोर्स शुरू होने से पहले , एक सप्ताह से थोड़ा अधिक समय रहता है। कक्षाओं की शुरुआत की प्रत्याशा में, हमने एक उपयोगी अनुवाद तैयार किया है जो हमारे छात्रों और सभी ब्लॉग पाठकों दोनों के लिए दिलचस्पी का होगा। चलिए शुरू करते हैं।

---

यह ब्लैक बॉक्स से छुटकारा पाने और मशीन सीखने में विश्वास बनाने का समय है!

अपनी पुस्तक "इंटरप्रेटेबल मशीन लर्निंग" में, क्रिस्टोफ मोलनार ने निम्नलिखित उदाहरण के साथ मशीन लर्निंग व्याख्या का सार पूरी तरह से उजागर किया है: कल्पना करें कि आप एक डेटा साइंस विशेषज्ञ हैं और अपने खाली समय में यह भविष्यवाणी करने की कोशिश कर रहे हैं कि आपके दोस्त फेसबुक और आपके डेटा के आधार पर गर्मियों की छुट्टी पर जाएंगे। ट्विटर। इसलिए, यदि पूर्वानुमान सही है, तो आपके मित्र आपको एक जादूगर मानेंगे जो भविष्य देख सकता है। यदि भविष्यवाणियां गलत हैं, तो यह विश्लेषक के रूप में आपकी प्रतिष्ठा के अलावा किसी भी चीज को नुकसान नहीं पहुंचाएगा। अब कल्पना कीजिए कि यह केवल एक मजेदार परियोजना नहीं थी, लेकिन निवेश इसके लिए आकर्षित थे। मान लीजिए कि आप रियल एस्टेट में निवेश करना चाहते हैं, जहां आपके दोस्तों के आराम करने की संभावना है। यदि मॉडल की भविष्यवाणियां विफल हो जाती हैं तो क्या होगा? आप पैसे खो देंगे। जब तक मॉडल का एक महत्वपूर्ण प्रभाव नहीं होता है, तब तक इसकी व्याख्या बहुत मायने नहीं रखती है, लेकिन जब मॉडल के पूर्वानुमानों के साथ वित्तीय या सामाजिक परिणाम जुड़े होते हैं, तो इसकी व्याख्या पूरी तरह से अलग अर्थ में होती है।

मशीन लर्निंग समझाया

व्याख्या करने के लिए समझने योग्य शब्दों में व्याख्या या दिखाना है। एक एमएल-सिस्टम के संदर्भ में, व्याख्यात्मकता इसकी कार्रवाई की व्याख्या करने या मानव-पठनीय रूप में दिखाने की क्षमता है।

कई लोगों ने मशीन सीखने के मॉडल को "ब्लैक बॉक्स" कहा है। इसका मतलब यह है कि इस तथ्य के बावजूद कि हम उनसे सटीक पूर्वानुमान प्राप्त कर सकते हैं, हम उनके संकलन के तर्क को स्पष्ट रूप से समझा या समझ नहीं सकते हैं। लेकिन आप मॉडल से अंतर्दृष्टि कैसे निकाल सकते हैं? किन चीजों को ध्यान में रखा जाना चाहिए और हमें ऐसा करने के लिए किन साधनों की आवश्यकता है? ये महत्वपूर्ण प्रश्न हैं जो मॉडल व्याख्या की बात आते हैं।

व्याख्या का महत्व

कुछ लोग जो सवाल पूछते हैं, वह यह है कि हमें खुशी क्यों नहीं है कि हमें मॉडल के काम का एक ठोस परिणाम मिल रहा है, यह जानना बहुत जरूरी है कि यह या यह निर्णय कैसे किया गया? उत्तर इस तथ्य में निहित है कि वास्तविक दुनिया में बाद की घटनाओं पर मॉडल का एक निश्चित प्रभाव हो सकता है। उन मॉडलों के लिए फिल्मों की सिफारिश करने के लिए डिज़ाइन किए गए मॉडल की तुलना में व्याख्या करना बहुत कम महत्वपूर्ण होगा जो किसी दवा के प्रभावों की भविष्यवाणी करने के लिए उपयोग किए जाते हैं।

"समस्या यह है कि वर्गीकरण सटीकता के रूप में सिर्फ एक मीट्रिक, वास्तविक दुनिया के अधिकांश कार्यों का अपर्याप्त विवरण है।" ( दोशी वेल्स और किम 2017 )

यहाँ समझाने योग्य मशीन सीखने के बारे में एक बड़ी तस्वीर है। एक अर्थ में, हम दुनिया पर कब्जा करते हैं (या बल्कि, इससे जानकारी), कच्चे डेटा एकत्र करते हैं और आगे के पूर्वानुमानों के लिए इसका उपयोग करते हैं। संक्षेप में, व्याख्यात्मकता मॉडल की एक और परत है जो लोगों को पूरी प्रक्रिया को समझने में मदद करती है।


छवि में पाठ नीचे से ऊपर तक: विश्व -> जानकारी प्राप्त करना -> डेटा -> प्रशिक्षण -> ब्लैक बॉक्स मॉडल -> एक्सट्रैक्ट -> व्याख्या के तरीके -> लोग

व्याख्या करने के कुछ लाभ हैं:

• विश्वसनीयता;
• डिबगिंग की सुविधा;
• इंजीनियरिंग सुविधाओं पर जानकारी;
• विशेषताओं के लिए डेटा संग्रह का प्रबंधन
• निर्णय लेने की जानकारी;
• भवन का भरोसा।

मॉडल इंटरप्रिटेशन मेथड्स

एक सिद्धांत केवल तभी तक समझ में आता है जब तक हम इसे व्यवहार में ला सकते हैं। यदि आप वास्तव में इस विषय से निपटना चाहते हैं, तो आप कागल से मशीन लर्निंग एक्सपेंडेबिलिटी कोर्स लेने की कोशिश कर सकते हैं। इसमें आप अवधारणाओं को समझने के लिए सिद्धांत और कोड का सही सहसंबंध पाएंगे और वास्तविक मामलों के लिए मॉडल की व्याख्या (व्याख्या) की अवधारणाओं को व्यवहार में लाने में सक्षम होंगे।

कोर्स पेज पर सीधे जाने के लिए नीचे स्क्रीनशॉट पर क्लिक करें। यदि आप पहले विषय का अवलोकन करना चाहते हैं, तो पढ़ना जारी रखें।

अंतर्दृष्टि जो मॉडल से निकाली जा सकती हैं

मॉडल को समझने के लिए, हमें निम्नलिखित जानकारी की आवश्यकता है:

• मॉडल में सबसे महत्वपूर्ण विशेषताएं;
• मॉडल के किसी विशिष्ट पूर्वानुमान के लिए, विशिष्ट पूर्वानुमान पर प्रत्येक व्यक्तिगत विशेषता का प्रभाव।
• बड़ी संख्या में संभावित पूर्वानुमानों पर प्रत्येक सुविधा का प्रभाव।

आइए कुछ तरीकों पर चर्चा करें जो मॉडल से उपरोक्त अंतर्दृष्टि को निकालने में मदद करते हैं:

क्रमपरिवर्तन महत्व

मॉडल किन विशेषताओं को महत्वपूर्ण मानता है? किन लक्षणों पर सबसे अधिक प्रभाव पड़ता है? इस अवधारणा को फीचर महत्व कहा जाता है, और क्रमपरिवर्तन महत्व एक विधि है जिसका उपयोग व्यापक रूप से सुविधाओं के महत्व की गणना करने के लिए किया जाता है। यह हमें यह देखने में मदद करता है कि मॉडल किस बिंदु पर अप्रत्याशित परिणाम पैदा करता है, यह हमें दूसरों को यह दिखाने में मदद करता है कि हमारा मॉडल ठीक उसी तरह काम करता है जैसा उसे करना चाहिए।

क्रमपरिवर्तन महत्व कई परिमार्जन-मूल्यांकन के लिए काम करता है। यह विचार सरल है: सत्यापन डेटासेट में एक कॉलम को पुनर्व्यवस्थित या फेरबदल करना, अन्य सभी कॉलमों को बरकरार रखना। यदि मॉडल की सटीकता गिरती है और उसके परिवर्तन से त्रुटियों में वृद्धि होती है, तो एक संकेत "महत्वपूर्ण" माना जाता है। दूसरी ओर, एक विशेषता को "महत्वहीन" माना जाता है यदि इसके मूल्यों में फेरबदल करने से मॉडल की सटीकता प्रभावित नहीं होती है।

यह कैसे काम करता है?

एक मॉडल पर विचार करें जो भविष्यवाणी करता है कि एक फुटबॉल टीम कुछ मापदंडों के आधार पर "मैन ऑफ द गेम" पुरस्कार प्राप्त करेगी या नहीं। यह पुरस्कार उस खिलाड़ी को दिया जाता है जो खेल के सर्वश्रेष्ठ कौशल का प्रदर्शन करता है।
मॉडल के प्रशिक्षण के बाद क्रमपरिवर्तन महत्व की गणना की जाती है। तो, चलिए ट्रेनिंग डेटा पर my_model रूप में नामित RandomForestClassifier मॉडल को प्रशिक्षित और तैयार करते हैं।

क्रमचय महत्व की गणना ELI5 लाइब्रेरी का उपयोग करके की जाती है। ELI5 पायथन में एक पुस्तकालय है जो आपको एकीकृत एपीआई का उपयोग करके विभिन्न मशीन लर्निंग मॉडल की कल्पना और डीबग करने की अनुमति देता है। इसमें कई ML फ्रेमवर्क के लिए अंतर्निहित समर्थन है और यह ब्लैक-बॉक्स मॉडल की व्याख्या करने के तरीके प्रदान करता है।

ELI5 लाइब्रेरी का उपयोग करके महत्व की गणना और दृश्य:
(यहाँ val_X , क्रमशः val_y सत्यापन सेट सेट करता है)

व्याख्या

• उपरोक्त संकेत सबसे महत्वपूर्ण हैं, नीचे कम से कम हैं। इस उदाहरण के लिए, सबसे महत्वपूर्ण संकेत गोल किए गए थे।
• The के बाद की संख्या यह दर्शाती है कि उत्पादकता एक क्रमचय से दूसरे में कैसे बदल गई है।
• कुछ वजन नकारात्मक हैं। यह इस तथ्य के कारण है कि इन मामलों में फेरबदल डेटा के लिए पूर्वानुमान वास्तविक डेटा की तुलना में अधिक सटीक निकला।

अभ्यास

और अब, पूरा उदाहरण देखने के लिए और जांचें कि क्या आपने सब कुछ सही ढंग से समझा है, लिंक का उपयोग करके कागल पृष्ठ पर जाएं ।

इसलिए अनुवाद का पहला भाग समाप्त हो गया। अपनी टिप्पणी लिखें और पाठ्यक्रम पर मिलने के लिए!

दूसरा भाग पढ़ें