Műszaki ÚTMUTATÓ

Célkódolás

A célkódolás a kategóriát az engedélyezett edzésadatokban az adott kategória esetében megfigyelt eredmények számszerű összegzésével helyettesíti.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon3 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A célkódolás jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Ez megkönnyíti a sok különböző értékkel rendelkező kategorikus bemenetek modellezését, de a szivárgás elkerülése érdekében gondosan el kell választani a képzési címkéket.

Mély merülés

A kategorikus jellemzők olyan csoportokat írnak le, mint például a telephelyek, beszállítók vagy terméktípusok. A One-hot kódolás minden kategóriához külön jelzőt hoz létre. Számos kategória esetén a célkódolás egy másik reprezentációt kínál: cserélje le az egyes kategóriákat egy eredményösszegzésre, például a regresszió átlagos késleltetésére vagy a bináris osztályozás pozitív eredményének arányára. A hasznos jelzés egyben a kockázat forrása is. Képzelj el egy kategóriát, amely egyszer megjelenik. A simítatlan kategóriaátlag az adott sor eredménye. Ha ez az érték ugyanazon sor előrejelzésének bemenetévé válik, a modell megkapja a választ. Ebben a beállításban az erős edzési teljesítmény eltűnhet új adatok esetén. A keresztillesztés segít biztonságosabb edzési ábrázolások kialakításában. Ossza fel az edzési adatokat hajtásokra, számítsa ki a kategória-összefoglalókat a többi hajtás segítségével, és kódolja a kinyújtott hajtást ezekkel az összegzésekkel. Ismételje meg mindaddig, amíg minden edzéssornak nincs saját hajtáscímkéi nélküli kódolása. A downstream modell tanul ezekből a reprezentációkból. A kiértékelés vagy előrejelzés időpontjában alkalmazza az engedélyezett képzési adatokból tanult leképezéseket. A simítás kevés megfigyeléssel csökkenti a kategóriák befolyását azáltal, hogy összefoglalóikat egy globális képzési átlag felé húzza. Egy ritka depó nem kaphat extrém kódolást kizárólag egy szokatlan kézbesítés miatt. A simítás mértéke olyan modellezési választás, amelyet validálni kell. A Scikit-learn TargetEncoder egy fontos különbséget dokumentál: a fit_transform belső keresztillesztést használ, míg ugyanazon képzési adatok illesztése, majd átalakítása nem nyújt egyenértékű védelmet. Ne feltételezze, hogy minden könyvtár ugyanazt a viselkedést valósítja meg. Tartsa a kódolót a kiértékelési folyamaton belül, határozza meg a nem látott kategóriák kezelésének módját, és módosítsa a felosztási stratégiát, amikor az időrend vagy az ismétlődő entitások nem teszik megfelelővé a szokásos véletlenszerű hajtásokat.

Valós megvalósítás

A kézbesítési modell egy raktárt reprezentál a korábbi, a betanítási adatokból kiszámított átlagos késleltetése felhasználásával. Ugyanezt a tanult leképezést alkalmazzák az értékelési rekordokra anélkül, hogy megvizsgálnák azok eredményeit.

Egy hipotetikus simítási szabályban a két 10-es és 20-as kimenetelű kategóriát négy korábbi megfigyeléssel kombinálják 6-os globális átlag mellett. A simított értéket (30 plusz 24) osztják hattal vagy 9-cel.

Egy edzési hajtás egy kategóriát tartalmaz, amely csak egy sorban látható. Ennek a sornak a saját kimeneteléből való kódolása felfedné a címkéjét, így a csapat más hajtásokból állítja össze a képzési reprezentációját.

Egy elemző a scikit-learn TargetEncoder-jét használja egy csővezetékben. Ellenőrzik a dokumentált keresztillesztési viselkedését, ahelyett, hogy azt feltételeznék, hogy az illesztés és a transzformáció egyenértékű a fit_transform paraméterrel.

A célkódolás jövője

A kategorikus kódolók továbbra is hasznosak maradnak, ha a működési adatok nagyszámú változó azonosítót tartalmaznak. A csapatok javíthatják a megbízhatóságot az új kategóriák, a ritka kategóriák és az eredményminták változásainak figyelésével. Meg kell tartaniuk a betanítási határértéket és a kódoló verziót is az egyes telepített modellek mellett, hogy az előrejelzés nyomon követhető legyen a használt leképezésre. Az automatizált csővezetékek megkönnyíthetik a szivárgás-ellenőrzést, de a legfontosabb tervezési döntés továbbra is emberi: határozza meg, hogy mely eredmények voltak elérhetők, amikor az előrejelzés készült volna, és gondoskodjon arról, hogy minden származtatott jellemző tiszteletben tartsa ezt a határt.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Target Encoding quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a célkódolás?

A célkódolás a kategóriát az engedélyezett edzésadatokban az adott kategória esetében megfigyelt eredmények számszerű összegzésével helyettesíti. Ez megkönnyíti a sok különböző értékkel rendelkező kategorikus bemenetek modellezését, de a szivárgás elkerülése érdekében gondosan el kell választani a képzési címkéket.

Egy kategória egy képzési sorban fordul elő. Miért veszélyes az adott sor elsimítatlan célpontjának használata saját bemenetként?

Egyetlen megfigyelés esetén a kategória átlaga megegyezik a céljával, és a választ kiszivárogtatja a bemenetbe.

Hogyan kapjon célkódolást egy kinyújtott hajtás a keresztillesztés során?

Más hajtások szolgáltatják a kategóriastatisztikát, így a kinyújtott hajtás címkéi nem határozzák meg a reprezentációt.

Az útmutató simító példáját használva milyen érték adódik a 30-as célösszegből, a kettős számból, a globális átlag hatból és a négyes korábbi súlyból?

A számláló 30 plusz négyszer hat, vagyis 54. A nevező kettő plusz négy vagy hat. Az eredmény kilenc.

Miért húzza a simítás egy ritka kategória becslését a globális képzés felé?

A kis minták instabil szélsőségeket eredményezhetnek, és a kisimító indulatok hatásukat a szélesebb képzési populációból származó információk felhasználásával.

Melyik scikit-learn TargetEncoder művelet használ belső keresztillesztést az edzési adatok kódolásakor?

A dokumentált fit_transform viselkedés magában foglalja a keresztillesztést; illeszkedés, majd transzformáció ugyanazokon a sorokon nem egyenértékű.