Znaczenie permutacji w przewidywaniach sieci neuronowych

Obraz autorstwa redaktora
 

Permutacje reprezentują każdy z możliwych sposobów ułożenia grup rzeczy lub liczb. Permutacja ma znaczenie w dyscyplinach matematycznych, takich jak statystyka, ale wpływa również na przewidywania dokonywane przez sieci neuronowe. Oto bliższe spojrzenie. 

Analitycy danych często znajdują się w sytuacjach, w których muszą dowiedzieć się więcej o populacji, która służy im za źródło informacji. Muszą jednak określić istotność statystyczną. Uruchamianie testów permutacji jest praktyczny sposób na to podczas pracy z danymi szeregów czasowych. 

Test permutacji szacuje rozkład populacji. Po uzyskaniu tych informacji analityk danych może określić rzadkość obserwowanych wartości w stosunku do populacji. Testy permutacji zapewniają próbkę wszystkich możliwych permutacji bez zastępowania jakichkolwiek wartości. 

Mają też wysoką skuteczność, nawet przy małych rozmiarach próbek. Dlatego testy permutacji mogą pomóc ludziom określić, czy ich model sieci neuronowej ujawnił statystycznie istotne odkrycie. 

Testy te mogą również pomóc ludziom określić, na ile mogą ufać wynikom modelu. Dokładność pomiaru może być niezwykle ważna, w zależności od zastosowania modelu. Ludzie muszą mieć duże zaufanie do wydajności modelu, zanim zastosują go do diagnoz medycznych lub decyzji finansowych. 

Wiele sieci neuronowych opiera się na modelach czarnej skrzynki. Są niezwykle dokładne w szerokim zakresie zastosowań. Jednakże to zwykle wymaga pracy, aby zobaczyć wpływ predyktorów na ostateczne prognozy. 

Opcja zwana ważnością funkcji permutacji umożliwia obejście tej przeszkody. Pokazuje naukowcom danych, które funkcje zestawu danych mają moc predykcyjną, niezależnie od zastosowanego modelu. 

Techniki określania ważności funkcji w modelu pozwalają na uszeregowanie predyktorów na podstawie ich względnej mocy predykcyjnej. Losowe permutacje wchodzą w grę, pokazując, czy tasowanie cech powoduje spadek dokładności prognozy. 

Być może obniżenie jakości jest minimalne. Oznacza to, że odpowiednie informacje związane z pierwotnym predyktorem nie miały większego wpływu na generowanie ogólnej prognozy. 

Użytkownicy mogą kontynuować ocenianie predyktorów modelu, dopóki nie uzyskają zbioru wartości, które się wyświetlają które cechy są najważniejsze a przynajmniej do generowania dokładnych prognoz. Analitycy danych mogą również wykorzystywać znaczenie funkcji permutacji do debugowania swoich modeli i uzyskiwania lepszego wglądu w ogólną wydajność. 

Dobry analityk danych musi zawsze poznaj szczegóły, które podaje model je i zakwestionować związane z nimi wnioski. Wielu profesjonalistów nauczyło się tego sposobu myślenia w szkole podstawowej w ramach programów STEM. Permutacja jest niezbędnym aspektem przewidywań sieci neuronowych, ponieważ kształtuje to, jakie informacje dostarcza model, a jakich nie. Znajomość permutacji pomaga analitykom danych budować i dostosowywać modele, których chcą i oczekują ich pracodawcy lub klienci. 

Rozważmy przypadek, w którym firma potrzebuje modelu sieci neuronowej związanego z tym, jak klienci klikają strony internetowe. Osoba podejmująca decyzje może potrzebować informacji o tym, ilu klientów wybiera określone trasy przez witrynę. Model musi obliczyć permutacje. 

Z drugiej strony osoba żądająca modelu uczenia maszynowego może chcieć wiedzieć o osobach odwiedzających określone grupy stron w witrynie. Takie spostrzeżenia odnoszą się raczej do kombinacji niż permutacji. Dokładne zawężenie informacji, jakich dana osoba oczekuje od modelu sieci neuronowej, pomaga określić rodzaj, którego należy użyć, i stopień uwzględnienia permutacji. 

Ponadto sieć neuronowa da najlepsze wyniki, gdy zestaw danych treningowych zawiera istotne informacje na pytania, na które ludzie chcą odpowiedzieć. Inżynierowie Google zajmujący się uczeniem maszynowym również praca nad tzw. niezmiennikiem permutacyjnym agentów sieci neuronowych. Kiedy każdy z neuronów czuciowych agenta otrzymuje dane wejściowe z otoczenia, ustala znaczenie i kontekst w danym momencie. 

Jest to w przeciwieństwie do zakładania stałego znaczenia. Badania wskazują, że niezmienne permutacyjne agenty sieci neuronowych działają dobrze nawet wtedy, gdy modele zawierają nadmiarowe lub zaszumione informacje. 

To tylko kilka powodów, dla których permutacja odgrywa istotną rolę w umożliwianiu sieciom neuronowym wykazywania najlepszej możliwej wydajności dla danej aplikacji. Zrozumienie wpływu permutacji umożliwia analitykom danych tworzenie modeli i pracę z nimi w celu uzyskania lepszych wyników.
 
 
kwietnia Millera jest redaktorem naczelnym działu technologii konsumenckich w Rehack Czasopismo. Ma doświadczenie w tworzeniu wysokiej jakości treści, które kierują ruch do publikacji, z którymi współpracuję.
 

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
• Źródło: 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