Betydningen af ​​permutation i neurale netværksforudsigelser

Billede af redaktør
 

Permutationer repræsenterer hver af de mulige måder at arrangere grupper af ting eller tal på. Permutation betyder noget i matematikcentrerede discipliner, såsom statistik, men det påvirker også forudsigelserne fra neurale netværk. Her er et nærmere kig. 

Dataforskere befinder sig ofte i tilfælde, hvor de har brug for at lære mere om den befolkning, der fungerer som deres informationskilde. Alligevel skal de bestemme statistisk signifikans. At køre permutationstest er en praktisk måde at få det på når man arbejder med tidsseriedata. 

En permutationstest estimerer befolkningsfordelingen. Efter at have fået denne information kan en dataforsker bestemme sjældenheden af ​​observerede værdier i forhold til befolkningen. Permutationstest giver et eksempel på alle mulige permutationer uden at erstatte nogen værdier. 

De har også høj effektivitet, selv med små prøvestørrelser. Således kan permutationstests hjælpe folk med at afgøre, om deres neurale netværksmodel afslørede et statistisk signifikant fund. 

Disse tests kan også hjælpe folk med at bestemme, hvor meget de kan stole på en models resultater. Målingsnøjagtighed kan være ekstremt vigtig, afhængigt af modellens brug. Folk skal have høj tillid til en models ydeevne, før de anvender den til medicinske diagnoser eller finansieringsbeslutninger. 

Mange neurale netværk er afhængige af black box-modeller. De er utrolig nøjagtige på tværs af en bred vifte af applikationer. Imidlertid er det det kræver normalt arbejde at se prædiktorernes effekt på de ultimative forudsigelser. 

En mulighed kaldet permutation feature vigtighed tilbyder en vej rundt om denne forhindring. Det viser datavidenskabsfolk, hvilke datasætfunktioner der har forudsigelseskraft, uanset hvilken model der anvendes. 

Teknikker til at bestemme egenskabernes betydning i en model giver folk mulighed for at rangere forudsigere baseret på deres relative forudsigelsesevne. Tilfældige permutationer kommer i spil ved at vise, om en blanding af funktioner forårsager et fald i en forudsigelses nøjagtighed. 

Måske er reduktionen i kvalitet minimal. Det indikerer, at den relevante information forbundet med den oprindelige forudsigelse ikke havde en større indflydelse på genereringen af ​​den overordnede forudsigelse. 

Folk kan fortsætte med at rangere modelprædiktorer, indtil de har en samling af værdier, der viser hvilke funktioner betyder mest og mindst for at generere præcise forudsigelser. Dataforskere kan også bruge vigtighed af permutationsfunktioner til at fejlsøge deres modeller og få bedre indsigt i den overordnede ydeevne. 

En god data scientist skal altid udforske detaljerne en model giver dem og sætter spørgsmålstegn ved de tilhørende konklusioner. Mange fagfolk lærte den tankegang i folkeskolen inden for STEM-pensum. Permutationen er et nødvendigt aspekt af neurale netværk forudsigelser, fordi det former, hvilken information modellen giver eller ikke giver. Kendskab til permutationer hjælper dataforskere med at opbygge og justere de modeller, deres arbejdsgivere eller kunder ønsker og forventer. 

Overvej et tilfælde, hvor en virksomhed har brug for en neural netværksmodel relateret til, hvordan kunder klikker sig igennem websteder. En beslutningstager ønsker måske information om, hvor mange kunder der tager bestemte ruter gennem et websted. Modellen skal beregne permutationer. 

På den anden side vil nogen, der anmoder om maskinlæringsmodellen, måske gerne vide om folk, der besøger bestemte grupper af sider på webstedet. Sådanne indsigter vedrører kombinationer snarere end permutationer. At indsnævre præcist, hvilken information en person ønsker fra en neural netværksmodel, hjælper med at bestemme den slags, der skal bruges, og i hvilket omfang permutationer indgår i den. 

Plus, et neuralt netværk vil give de bedste resultater, når træningsdatasæt indeholder relevante oplysninger på de spørgsmål, folk gerne vil besvare. Det er Googles maskinlæringsingeniører også arbejder på såkaldt permutation-invariant agenter for neurale netværk. Når hver af en agents sensoriske neuroner modtager input fra omgivelserne, finder den ud af betydningen og konteksten i øjeblikket. 

Det er i modsætning til at antage en fast betydning. Forskning viser, at permutations-invariante neurale netværksagenter fungerer godt, selv når modeller har redundant eller støjende information. 

Dette er blot nogle få grunde til, at permutation spiller en afgørende rolle i at gøre det muligt for neurale netværk at vise den bedst mulige ydeevne for den givne applikation. Forståelse af permutations påvirkninger gør det muligt for dataforskere at bygge og arbejde med modeller for at få bedre resultater.
 
 
April Miller er chefredaktør for forbrugerteknologi på ReHack Magasin. Hun har en track record i at skabe kvalitetsindhold, der driver trafik til de publikationer, jeg arbejder med.
 

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
• Kilde: https://www.kdnuggets.com/2022/12/importance-permutation-neural-network-predictions.html?utm_source=rss&utm_medium=rss&utm_campaign=the-importance-of-permutation-in-neural-network-predictions