机器学习PAI特征重要性的原理,是用那个指标算的特征重要性?
大概这么做的么?训练时根据效果学习各个特征丢弃的概率,丢弃概率低的就是重要的。
top 重要特征的结果稳定不
是参考这篇论文实现的:https://arxiv.org/pdf/1712.08645.pdf ,具体可以看一下论文。应该是让损失函数最小的方式计算的。,此回答整理自钉群“【EasyRec】推荐算法交流群”
在机器学习 PAI 中,特征重要性一般是通过基于树模型的方法计算得出的。这些模型可以是决策树、随机森林、梯度提升树(Gradient Boosting Tree)等。
树模型的特征重要性指标是通过以下原理来计算的:
分裂准则:树模型使用某种分裂准则(如信息增益、基尼系数等)来判断每个节点的特征重要性。这些准则衡量了每个特征在数据集中对目标变量的影响力或预测能力。
分裂点选择:树模型在每个节点上选择最优的分裂点,根据特征的值将样本划分为不同的子节点。在选择分裂点时,模型会考虑特征的重要性作为一个关键因素。
特征重要性度量:基于树模型的训练过程会记录每个特征参与每次分裂的次数以及其带来的平均分裂准则改善情况。这些统计量被用来度量特征的重要性。
常见的特征重要性指标包括:
机器学习PAI中特征重要性的原理是通过使用不同的算法,如随机森林、GBDT等,对训练数据进行分类和回归,从而得到各个特征的重要性。特征重要性可以用各种指标来计算,例如F1分数、精确率、召回率、ROC曲线下面积等。这些指标可以通过交叉验证等方法来得到。
训练时,根据效果学习各个特征丢弃的概率,丢弃概率低的就是重要的。如果特征的重要性较低,可以将其从特征列表中删除,或者将其权重降低,以提高模型的准确性和效率。
对于top重要特征的结果,其稳定性可能会受到多种因素的影响,如特征选择的算法、数据集的质量、模型的复杂度等。因此,在使用top重要特征时,需要根据具体情况进行评估和调整,以确保结果的稳定性和可靠性。
---来自人工智能平台 PAI随机森林特征重要性
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
人工智能平台 PAI(Platform for AI,原机器学习平台PAI)是面向开发者和企业的机器学习/深度学习工程平台,提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务,内置140+种优化算法,具备丰富的行业场景插件,为用户提供低门槛、高性能的云原生AI工程化能力。