اهمیت جایگشت در پیش بینی شبکه های عصبی

تصویر توسط ویرایشگر
 

جایگشت ها نشان دهنده هر یک از راه های ممکن برای ترتیب دادن گروه هایی از چیزها یا اعداد هستند. جایگشت در رشته های ریاضی محور، مانند آمار، اهمیت دارد، اما بر پیش بینی های انجام شده توسط شبکه های عصبی نیز تأثیر می گذارد. در اینجا یک نگاه دقیق تر است. 

دانشمندان داده اغلب خود را در مواردی می یابند که نیاز دارند درباره جمعیتی که منبع اطلاعات آنهاست بیشتر بیاموزند. با این حال، آنها باید اهمیت آماری را تعیین کنند. اجرای تست های جایگشت است یک راه عملی برای بدست آوردن آن هنگام کار با داده های سری زمانی 

یک تست جایگشت توزیع جمعیت را تخمین می زند. پس از به دست آوردن این اطلاعات، یک دانشمند داده می تواند نادر بودن مقادیر مشاهده شده را نسبت به جمعیت تعیین کند. تست‌های جایگشت نمونه‌ای از همه جایگشت‌های ممکن را بدون جایگزینی هیچ مقداری ارائه می‌کنند. 

آنها حتی با حجم نمونه های کوچک نیز اثربخشی بالایی دارند. بنابراین، آزمایش‌های جایگشت می‌توانند به افراد کمک کنند تا تعیین کنند که آیا مدل شبکه عصبی آنها یافته‌های آماری معنی‌داری را نشان می‌دهد یا خیر. 

این تست‌ها همچنین می‌توانند به افراد کمک کنند تا بفهمند چقدر می‌توانند به نتایج یک مدل اعتماد کنند. دقت اندازه گیری بسته به استفاده از مدل می تواند بسیار مهم باشد. افراد باید قبل از اعمال یک مدل در تشخیص های پزشکی یا تصمیمات مالی، اعتماد بالایی به عملکرد یک مدل داشته باشند. 

بسیاری از شبکه های عصبی به مدل های جعبه سیاه متکی هستند. آنها در طیف گسترده ای از برنامه ها بسیار دقیق هستند. با این حال، آن را معمولاً برای دیدن تأثیر پیش بینی کننده ها کار لازم است در مورد پیش بینی های نهایی 

گزینه ای به نام اهمیت ویژگی جایگشت راهی برای دور زدن آن مانع ارائه می دهد. این به دانشمندان داده نشان می دهد که کدام ویژگی های مجموعه داده بدون توجه به مدل مورد استفاده، قدرت پیش بینی دارند. 

تکنیک‌های تعیین اهمیت ویژگی در یک مدل به افراد امکان می‌دهد پیش‌بینی‌کننده‌ها را بر اساس قدرت پیش‌بینی نسبی خود رتبه‌بندی کنند. جایگشت های تصادفی با نشان دادن اینکه آیا به هم ریختگی ویژگی ها باعث کاهش دقت پیش بینی می شود یا خیر، وارد عمل می شوند. 

شاید کاهش کیفیت حداقل باشد. این نشان می‌دهد که اطلاعات مرتبط مرتبط با پیش‌بینی‌کننده اصلی تأثیر عمده‌ای در ایجاد پیش‌بینی کلی نداشته است. 

افراد می توانند به رتبه بندی پیش بینی کننده های مدل ادامه دهند تا زمانی که مجموعه ای از مقادیر را نشان دهند کدام ویژگی بیشترین اهمیت را دارد و حداقل برای ایجاد پیش بینی های دقیق. دانشمندان داده همچنین می‌توانند از اهمیت ویژگی جایگشت برای اشکال‌زدایی مدل‌های خود و دریافت بینش بهتر در مورد عملکرد کلی استفاده کنند. 

یک دانشمند داده خوب همیشه باید جزئیاتی که یک مدل ارائه می دهد را بررسی کنید آنها و نتیجه گیری های مرتبط را زیر سوال ببرند. بسیاری از متخصصان این طرز فکر را در مدرسه ابتدایی در برنامه های درسی STEM آموختند. جایگشت جنبه ضروری پیش بینی های شبکه عصبی است زیرا اطلاعاتی را که مدل ارائه می دهد یا نمی دهد شکل می دهد. آشنایی با جایگشت‌ها به دانشمندان داده کمک می‌کند تا مدل‌هایی را که کارفرمایان یا مشتریانشان می‌خواهند و انتظار دارند، بسازند و تغییر دهند. 

موردی را در نظر بگیرید که در آن یک شرکت به یک مدل شبکه عصبی مرتبط با نحوه کلیک مشتریان از طریق وب سایت ها نیاز دارد. ممکن است یک تصمیم گیرنده اطلاعاتی در مورد تعداد مشتریانی که مسیرهای خاصی را از طریق یک سایت طی می کنند بخواهد. مدل باید جایگشت ها را محاسبه کند. 

از سوی دیگر، شخصی که مدل یادگیری ماشین را درخواست می کند ممکن است بخواهد در مورد افرادی که از گروه های خاصی از صفحات سایت بازدید می کنند بداند. چنین بینش هایی به جای جایگشت به ترکیب ها مربوط می شود. محدود کردن دقیق اطلاعاتی که شخص از یک مدل شبکه عصبی می‌خواهد، به تعیین نوع مورد استفاده و میزان تغییر در آن کمک می‌کند. 

بعلاوه، یک شبکه عصبی بهترین نتایج را زمانی که مجموعه داده های آموزشی حاوی اطلاعات مرتبط است به سوالاتی که مردم می خواهند به آنها پاسخ دهند. مهندسان یادگیری ماشین گوگل نیز هستند کار بر روی به اصطلاح جایگشت-نامغیر عوامل شبکه عصبی هنگامی که هر یک از نورون های حسی عامل ورودی از محیط دریافت می کند، معنا و زمینه را در لحظه مشخص می کند. 

این بر خلاف فرض یک معنای ثابت است. تحقیقات نشان می‌دهد که عامل‌های شبکه عصبی تغییر ناپذیر جایگشت، حتی زمانی که مدل‌ها اطلاعات اضافی یا نویز دارند، عملکرد خوبی دارند. 

اینها تنها چند دلیل هستند که چرا جایگشت نقش حیاتی در قادر ساختن شبکه های عصبی برای نشان دادن بهترین عملکرد ممکن برای برنامه داده شده ایفا می کند. درک تأثیرات جایگشت به دانشمندان داده اجازه می دهد تا مدل هایی بسازند و با آنها کار کنند تا به نتایج بهتری دست یابند.
 
 
آوریل میلر ویرایشگر مدیریت فناوری مصرف کننده در هک مجدد مجله. او سابقه ای در ایجاد محتوای باکیفیت دارد که ترافیک را به سمت انتشاراتی که من با آنها کار می کنم هدایت می کند.
 

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: 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