ML yang fleksibel, terkontrol, dan dapat diinterpretasikan dengan model berbasis kisi
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 adalah library yang mengimplementasikan model berbasis kisi yang dibatasi dan ditafsirkan. Pustaka memungkinkan Anda untuk memasukkan pengetahuan domain ke dalam proses pembelajaran melalui akal sehat atau batasan bentuk yang didorong oleh kebijakan . Hal ini dilakukan dengan menggunakan kumpulan lapisan Keras yang dapat memenuhi kendala seperti monotonisitas, konveksitas dan bagaimana fitur berinteraksi. Pustaka juga menyediakan model premade dan estimator kalengan yang mudah diatur.
Dengan TF Lattice Anda dapat menggunakan pengetahuan domain untuk mengekstrapolasi dengan lebih baik ke bagian ruang input yang tidak tercakup oleh set data pelatihan. Ini membantu menghindari perilaku model yang tidak diharapkan ketika distribusi penyajian berbeda dari distribusi pelatihan.
