Iezīmju apgriešana un iezīmju bagātināšana mašīnmācībā ir pretējas stratēģijas: viena noņem nevajadzīgus datus, lai vienkāršotu modeļus, bet otra pievieno jaunu informāciju, lai uzlabotu prognozēšanas spēju. Izvēle starp tām ir atkarīga no tā, vai jūsu modelim ir troksnis vai trūkstošs konteksts.
Metode, kas no datu kopas noņem neatbilstošas vai liekas funkcijas, lai uzlabotu modeļa veiktspēju un samazinātu sarežģītību.
Jaunu mainīgo pievienošanas vai esošo pārveidošanas process, lai mašīnmācīšanās modeļiem sniegtu bagātīgāku informāciju prognozēm.
| Funkcija | Funkciju apgriešana | Funkciju bagātināšana |
|---|---|---|
| Galvenais mērķis | Noņemiet nevajadzīgas funkcijas | Pievienojiet vērtīgas funkcijas |
| Ietekme uz datu kopas lielumu | Samazina funkciju skaitu | Palielina funkciju skaitu |
| Ietekme uz modeļa sarežģītību | Vienkāršo modeli | Palielina modeļa sarežģītību |
| Vislabāk lietot, kad | Modelis ir pārāk pielāgots vai lēns | Modelis neatbilst kontekstam vai tam trūkst konteksta |
| Izplatītas metodes | Laso, uz kokiem balstīta svarīguma pakāpe, PCA | Kodēšana, iegulšana, funkciju krustojumi |
| Risks | Noderīgu funkciju kļūdaina noņemšana | Trokšņainu vai lieku funkciju pievienošana |
| Aprēķina izmaksas | Parasti zemāks pēc apgriešanas | Parasti augstāks vairāku funkciju dēļ |
| Interpretējamība | Parasti uzlabojas | Var kļūt grūtāk interpretējams |
Iezīmju atzarošana atbilst minimālisma filozofijai: mazāk ir vairāk. Atmetot mainīgos, kuriem ir maza paredzamā vērtība, modelis koncentrējas uz to, kas patiešām ir svarīgs. Iezīmju bagātināšana ieņem pretēju nostāju, uzskatot, ka bagātīgāki, detalizētāki ievaddati noved pie gudrākām prognozēm. Abām filozofijām ir savas priekšrocības, un pareizā izvēle ir atkarīga no jūsu sākuma datu kvalitātes un pilnīguma.
Atzarošana vislabāk darbojas, ja ir simtiem vai tūkstošiem pazīmju un ir aizdomas, ka daudzas no tām ir troksnis, piemēram, genoma datos vai teksta klasifikācijā ar vārdu maisa modeļiem. Bagātināšana vislabāk darbojas, ja jūsu datu kopa ir reti sastopama vai tai trūkst kritiska konteksta, piemēram, prognozējot klientu aizplūšanu, izmantojot tikai pamata demogrāfiskos datus bez uzvedības vēstures. Praksē datu zinātnieki bieži apvieno abus: vispirms bagātina, pēc tam apgriež paplašināto kopu.
Apgrieztie modeļi parasti apmācās ātrāk un tiek izvietoti ar mazāku atmiņas patēriņu, padarot tos ideāli piemērotus perifērijas ierīcēm vai reāllaika sistēmām. Bagātināti modeļi var sasniegt augstāku precizitāti, taču tas ir ilgāka apmācības laika un lielāku krātuves vajadzību rēķina. Bagātināšanas skaitļošanas izmaksas var attaisnot, ja precizitātes pieaugums tieši pārvēršas biznesa vērtībā, piemēram, medicīniskā diagnostikā vai krāpšanas novēršanā.
Lielākās apgriešanas briesmas ir tādas pazīmes likvidēšana, kas šķiet nesvarīga, bet patiesībā bija svarīga smalkās mijiedarbībās. Bagātināšanas galvenais risks ir pazīmju eksplozija, kur pārāk daudzu atvasinātu mainīgo pievienošana rada multikolinearitāti un pārmērīgu pielāgošanu. Abas šīs problēmas var mazināt, veicot savstarpēju validāciju un rūpīgi uzraugot validācijas rādītājus eksperimentu laikā.
Atzarošana dabiski noved pie vienkāršākiem modeļiem, ko ieinteresētās personas var saprast, jo mazāk ievades datu nozīmē skaidrākus skaidrojumus. Bagātināšana var radīt neskaidrības, ieviešot inženierijas elementus, kuru nozīme nav acīmredzama, piemēram, iegulšanas vektorus vai mijiedarbības terminus. Tomēr labi dokumentēti bagātināšanas kanāli ar skaidriem elementu nosaukumiem var saglabāt interpretējamību, vienlaikus uzlabojot veiktspēju.
Vairāk funkciju vienmēr nozīmē labāku modeli.
Funkciju pievienošana bez pamatojuma bieži rada troksni un multikolinearitāti, kas var kaitēt veiktspējai. Kvalitāte un atbilstība ir daudz svarīgākas par kvantitāti, tāpēc atzarošana joprojām ir svarīga pat pēc bagātināšanas.
Funkciju apgriešana ir tikai kolonnu nejauša dzēšana.
Efektīva atzarošana izmanto statistiskus testus, uz modeļiem balstītus svarīguma rādītājus vai domēna zināšanas, lai identificētu patiesi nederīgas funkcijas. Nejauša dzēšana gandrīz noteikti noņemtu vērtīgu signālu kopā ar troksni.
Funkciju bagātināšana vienmēr uzlabo precizitāti.
Bagātināšana palīdz tikai tad, ja jaunās funkcijas satur patiesu paredzošu informāciju. Neatbilstošu vai lieku inženiertehnisko funkciju pievienošana var tikpat viegli pasliktināt modeļa veiktspēju, cik to var uzlabot.
Jums jāizvēlas viena vai otra stratēģija.
Reālās pasaules mašīnmācīšanās procesos bagātināšana un atzarošana ir savstarpēji papildinoši soļi. Komandas parasti vispirms bagātina neapstrādātus datus un pēc tam atzaro paplašināto funkciju kopu, lai saglabātu tikai to, kas patiešām ietekmē prognozes.
Atzarošana pēc definīcijas padara modeļus mazāk precīzus.
Atzarošana noņem pazīmes, kas kaitē vispārināšanai, tāpēc labi izpildīta atzarošana bieži vien uzlabo testa kopas precizitāti. Mērķis nav patvaļīgi samazināt pazīmes, bet gan saglabāt tikai tās, kas jēgpilni veicina prognozes.
Izvēlieties funkciju apgriešanu, ja jūsu modelis ir pārāk pielāgots, pārāk lēni apmācīts vai tam ir grūtības ar daudzdimensionāliem datiem. Izvēlieties funkciju bagātināšanu, ja precizitāte ir stagnējoša, jo jūsu datu kopai trūkst konteksta, kas nepieciešams, lai uztvertu reālās pasaules modeļus. Vairumā ražošanas darbplūsmu gudrākais ceļš ir pārdomāti bagātināt un pēc tam agresīvi apgriezt, lai atrastu optimālo līdzsvaru.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
