jsp做的婚恋网站,王烨在地府是什么身份,怎么制作网页广告,沈阳工程信息招标网ML.NET 0.9已于上周发布#xff0c;距离上次0.8版本的发布只有一个多月#xff0c;此次增加的新特性主要包括特征贡献计算#xff0c;模型可解释性增强#xff0c;ONNX转换对GPU的支持#xff0c;Visual Studio ML.NET项目模板预览#xff0c;以及API改进。特征贡献计算特… ML.NET 0.9已于上周发布距离上次0.8版本的发布只有一个多月此次增加的新特性主要包括特征贡献计算模型可解释性增强ONNX转换对GPU的支持Visual Studio ML.NET项目模板预览以及API改进。特征贡献计算特征贡献计算(Feature Contribution Calculation)通过决定每个特征对模型分数的贡献从而显示哪些特征在对特别个体的数据样本的模型预测最有影响力。当你面临历史数据中有许多特征时而又想选择使用最重要的特征时特征贡献计算显得十分重要。因为使用太多的特征(尤其是包含对模型没有影响的特征)会减少模型的性能与准确性。因此使用特征贡献计算你可以从原始特征集中识别最有影响力的正向与负向的贡献。示例代码// 创建特征贡献计算器// 对已有训练模型参数的所有特征进行计算贡献var featureContributionCalculator mlContext.Model.Explainability.FeatureContributionCalculation(model.Model, model.FeatureColumn, numPositiveContributions: 11, normalize: false);// FeatureContributionCalculatingEstimator可被用作管道中的一个步骤// 被FeatureContributionCalculatingEstimator保存的特征将在FeatureContribution列中var pipeline mlContext.Model.Explainability.FeatureContributionCalculation(model.Model, model.FeatureColumn, numPositiveContributions: 11).Append(mlContext.Regression.Trainers.OrdinaryLeastSquares(featureColumn: FeatureContributions));输出结果可下The output of the above code is:Label Score BiggestFeature Value Weight Contribution24.00 27.74 RoomsPerDwelling 6.58 98.55 39.9521.60 23.85 RoomsPerDwelling 6.42 98.55 39.0134.70 29.29 RoomsPerDwelling 7.19 98.55 43.6533.40 27.17 RoomsPerDwelling 7.00 98.55 42.52对于特征选取的模型可解释性的增强除了特征贡献计算之外排列特征重要性(PFI)与广义加性模型(GAM)也有加强。排列特征重要性支持大多数学习任务回归二元分类多元分类与排序。排列特征重要性允许你在特征重要性分数上计算置信区间以便可以得到更好的平均值估计。广义加性模型支持特征贡献计算以便你可以迅速看到哪些特征驱动个体的预测。增加对ONNX转换的GPU支持在ML.NET 0.9中通过集成高性能的ONNX运行时库添加了使用激活GPU的CUDA 10.0运行ONNX模型的功能。ONNX模型的GPU支持现在已经可以在Windows 64位系统上使用不久之后将支持Linux与Mac系统。新的Visual Studio ML.NET项目模板预览Visual Studio项目模板现在推出了支持ML.NET的预览版本。下载地址模板涵盖以下场景ML.NET控制台应用程序ML.NET模型类库其它API的改进简化文本数据加载ML.NET 0.9以前你需要显示的标明列名var mlContext new MLContext();var reader mlContext.Data.CreateTextReader(new[] { new TextLoader.Column(IsOver50K, DataKind.BL, 0), new TextLoader.Column(Workclass, DataKind.TX, 1)},hasHeader: true);var dataView reader.Read(dataPath);现在你可以直接使用泛型var mlContext new MLContext();var dataView mlContext.Data.ReadFromTextFileInspectedRow(dataPath, hasHeader: true);private class InspectedRow{[LoadColumn(0)] public bool IsOver50K { get; set; }[LoadColumn(1)] public string Workclass { get; set; }
}获取预测置信因子通过Calibrator Estimators除了在评估模型质量时可以获得分数列之外还可以得到置信因子。例如你可以获得每个预测值的概率Score - 0.458968 Probability 0.4670409
Score - 0.7022135 Probability 0.3912723
Score 1.138822 Probability 0.8703266新的键-值匹配估测器及转换新特性替换了TermLookupTransform同时提供了指定值之间匹配的新方法。你可以指定键列与值列的匹配关系但需保证两者数量一致。其它的改进与变化允许ML.NET在Windows Nano容器及Windows机器上运行而无需安装Visual C运行时。在包含模型信息的DataView构造器中提供元数据支持比如被编码为元数据的评估指标可以通过代码解析出来由此能够使用任何工具进行可视化。原文地址:https://www.cnblogs.com/kenwoo/p/10284906.html.NET社区新闻深度好文欢迎访问公众号文章汇总 http://www.csharpkit.com
