L'importanza della permutazione nelle previsioni della rete neurale

Immagine dell'editore
 

Le permutazioni rappresentano ciascuno dei modi possibili per organizzare gruppi di cose o numeri. La permutazione è importante nelle discipline incentrate sulla matematica, come la statistica, ma influisce anche sulle previsioni fatte dalle reti neurali. Ecco uno sguardo più da vicino. 

I data scientist si trovano spesso in casi in cui hanno bisogno di saperne di più sulla popolazione che funge da fonte di informazioni. Tuttavia, devono determinare la significatività statistica. L'esecuzione di test di permutazione è un modo pratico per ottenerlo quando si lavora con dati di serie temporali. 

Un test di permutazione stima la distribuzione della popolazione. Dopo aver ottenuto tali informazioni, un data scientist può determinare la rarità dei valori osservati rispetto alla popolazione. I test di permutazione forniscono un campione di tutte le possibili permutazioni senza sostituire alcun valore. 

Hanno anche un'elevata efficacia, anche con campioni di piccole dimensioni. Pertanto, i test di permutazione possono aiutare le persone a determinare se il loro modello di rete neurale ha scoperto un risultato statisticamente significativo. 

Questi test possono anche aiutare le persone a determinare quanto possono fidarsi dei risultati di un modello. La precisione della misurazione può essere estremamente importante, a seconda dell'uso del modello. Le persone devono avere un'elevata fiducia nelle prestazioni di un modello prima di applicarlo a diagnosi mediche o decisioni di finanziamento. 

Molte reti neurali si basano su modelli a scatola nera. Sono incredibilmente precisi in un'ampia gamma di applicazioni. Tuttavia, esso di solito richiede lavoro per vedere l'impatto dei predittori sulle ultime previsioni. 

Un'opzione chiamata importanza della caratteristica di permutazione offre un modo per aggirare questo ostacolo. Mostra ai data scientist quali caratteristiche del set di dati hanno potere predittivo, indipendentemente dal modello utilizzato. 

Le tecniche per determinare l'importanza delle caratteristiche in un modello consentono alle persone di classificare i predittori in base al loro potere predittivo relativo. Le permutazioni casuali entrano in gioco mostrando se un rimescolamento di caratteristiche provoca una diminuzione dell'accuratezza di una previsione. 

Forse la riduzione della qualità è minima. Ciò indica che le informazioni rilevanti associate al predittore originale non hanno avuto un impatto importante nella generazione della previsione complessiva. 

Le persone possono continuare a classificare i predittori del modello fino a quando non hanno una raccolta di valori che mostrano quali caratteristiche contano di più e almeno per generare previsioni accurate. I data scientist possono anche utilizzare l'importanza della funzione di permutazione per eseguire il debug dei loro modelli e ottenere informazioni migliori sulle prestazioni complessive. 

Un buon data scientist deve sempre esplorare i dettagli forniti da un modello loro e mettere in discussione le relative conclusioni. Molti professionisti hanno appreso questa mentalità nella scuola elementare all'interno dei programmi STEM. La permutazione è un aspetto necessario delle previsioni della rete neurale perché dà forma alle informazioni fornite o meno dal modello. La familiarità con le permutazioni aiuta i data scientist a creare e modificare i modelli che i loro datori di lavoro o clienti desiderano e si aspettano. 

Considera un caso in cui un'azienda ha bisogno di un modello di rete neurale relativo al modo in cui i clienti fanno clic sui siti Web. Un decisore potrebbe volere informazioni su quanti clienti seguono percorsi specifici attraverso un sito. Il modello deve calcolare le permutazioni. 

D'altra parte, qualcuno che richiede il modello di apprendimento automatico potrebbe voler sapere se le persone visitano determinati gruppi di pagine del sito. Tali intuizioni si riferiscono a combinazioni piuttosto che a permutazioni. Restringere con precisione quali informazioni una persona desidera da un modello di rete neurale aiuta a determinare il tipo da utilizzare e in che misura le permutazioni incidono su di esso. 

Inoltre, una rete neurale darà i migliori risultati quando il il set di dati di addestramento contiene informazioni pertinenti alle domande a cui le persone vogliono rispondere. Anche gli ingegneri del machine learning di Google lo sono lavorando sul cosiddetto invariante di permutazione agenti di rete neurale. Quando ciascuno dei neuroni sensoriali di un agente riceve un input dall'ambiente, capisce il significato e il contesto del momento. 

Ciò è in contrasto con l'assunzione di un significato fisso. La ricerca indica che gli agenti di rete neurale invarianti permutazione funzionano bene anche quando i modelli hanno informazioni ridondanti o rumorose. 

Questi sono solo alcuni dei motivi per cui la permutazione gioca un ruolo fondamentale nel consentire alle reti neurali di mostrare le migliori prestazioni possibili per una data applicazione. La comprensione degli impatti della permutazione consente ai data scientist di creare e lavorare con i modelli per ottenere risultati migliori.
 
 
aprile Miller è caporedattore di tecnologia di consumo presso Rehack Rivista. Ha una comprovata esperienza nella creazione di contenuti di qualità che indirizzano il traffico verso le pubblicazioni con cui lavoro.
 

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
• Fonte: 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