Kafes tabanlı modellerle esnek, kontrollü ve yorumlanabilir ML
import numpy as np import tensorflow as tf import tensorflow_lattice as tfl model = tf.keras.models.Sequential() model.add( tfl.layers.ParallelCombination([ # Monotonic piece-wise linear calibration with bounded output tfl.layers.PWLCalibration( monotonicity='increasing', input_keypoints=np.linspace(1., 5., num=20), output_min=0.0, output_max=1.0), # Diminishing returns tfl.layers.PWLCalibration( monotonicity='increasing', convexity='concave', input_keypoints=np.linspace(0., 200., num=20), output_min=0.0, output_max=2.0), # Partially monotonic categorical calibration: calib(0) <= calib(1) tfl.layers.CategoricalCalibration( num_buckets=4, output_min=0.0, output_max=1.0, monotonicities=[(0, 1)]), ])) model.add( tfl.layers.Lattice( lattice_sizes=[2, 3, 2], monotonicities=['increasing', 'increasing', 'increasing'], # Trust: model is more responsive to input 0 if input 1 increases edgeworth_trusts=(0, 1, 'positive'))) model.compile(...)
TensorFlow Lattice, kısıtlanmış ve yorumlanabilir kafes tabanlı modelleri uygulayan bir kitaplıktır. Kitaplık, sağduyu veya ilkeye dayalı şekil kısıtlamaları yoluyla öğrenme sürecine etki alanı bilgisini eklemenizi sağlar. Bu, monotonluk, dışbükeylik ve özelliklerin nasıl etkileşime girdiği gibi kısıtlamaları karşılayabilen bir Keras katmanları koleksiyonu kullanılarak yapılır. Kütüphane ayrıca kurulumu kolay hazır modeller ve hazır tahminciler sağlar.
TF Kafes ile, eğitim veri kümesi tarafından kapsanmayan giriş alanının bölümlerine daha iyi tahminde bulunmak için alan bilgisini kullanabilirsiniz. Bu, hizmet dağıtımı eğitim dağıtımından farklı olduğunda beklenmeyen model davranışının önlenmesine yardımcı olur.
