একবার আপনি নির্ধারণ করেছেন যে কাউন্টারফ্যাকচুয়াল লগিট পেয়ারিং (সিএলপি) আপনার ব্যবহারের ক্ষেত্রে উপযুক্ত কৌশল, আপনি নিম্নলিখিত পদক্ষেপগুলি গ্রহণ করে এটি প্রয়োগ করতে পারেন:
- আসল এবং কাউন্টারফ্যাকচুয়াল ডেটা সহ
CounterfactualPackedInputsএর একটি উদাহরণ তৈরি করুন । - হস্তক্ষেপ প্রয়োজন কিনা তা নির্ধারণ করতে ফ্লিপ রেট এবং ফ্লিপ গণনা পরিমাপ করুন ।
- হস্তক্ষেপের প্রয়োজন হলে, আসল ইনপুট ডেটা, কাউন্টারফ্যাকচুয়াল ডেটা, আসল মডেল এবং কাউন্টারফ্যাকচুয়াল মডেলে কাউন্টারফ্যাকচুয়াল ক্ষতি পাস করুন ।
- ফ্লিপ রেট এবং ফ্লিপ কাউন্ট পরিমাপ করে CLP-এর প্রভাব মূল্যায়ন করুন।
কেরাস মডেলে সিএলপি প্রয়োগ করার উদাহরণ দেখতে, কেরাস টিউটোরিয়ালের সাথে কাউন্টারফ্যাকচুয়াল লগিট পেয়ারিং ব্যবহার করুন ।
CounterfactualPackedInputs এর একটি উদাহরণ তৈরি করুন
কাউন্টারফ্যাকচুয়াল ডেটাসেট তৈরি করতে, আপনি যে শর্তাবলী এবং বৈশিষ্ট্যগুলি মূল্যায়ন করতে চান তা নির্ধারণ করে শুরু করুন যেগুলি সরানো বা প্রতিস্থাপন করা হলে, আপনার মডেলের পূর্বাভাস পরিবর্তন করতে পারে।
একবার আপনি মূল্যায়ন করার শর্তাবলী এবং বৈশিষ্ট্যগুলি বুঝতে পারলে, আপনাকে CounterfactualPackedInputs এর একটি উদাহরণ তৈরি করতে হবে, যাতে মূল ইনপুট এবং কাউন্টারফ্যাকচুয়াল ডেটা অন্তর্ভুক্ত থাকে। আসল ইনপুটটি আপনার কেরাস মডেলকে প্রশিক্ষণ দেওয়ার জন্য ব্যবহৃত ডেটাসেট হওয়া উচিত। কাউন্টারফ্যাকচুয়াল ডেটার একটি original_x মান, একটি counterfactual_x মান এবং একটি counterfactual_sample_weight আছে। এক বা একাধিক সংবেদনশীল গুণাবলী সরানো বা প্রতিস্থাপিত হওয়ার পার্থক্যের সাথে কাউন্টারফ্যাকচুয়াল মানটি মূল মানের সাথে প্রায় অভিন্ন হওয়া উচিত। কাউন্টারফ্যাকচুয়াল ডেটাসেটের গুণমান গুরুত্বপূর্ণ কারণ এটি মূল মান এবং কাউন্টারফ্যাকচুয়াল মানের মধ্যে লস ফাংশন জোড়া দিতে ব্যবহৃত হয় যাতে নিশ্চিত করা যায় যে সংবেদনশীল বৈশিষ্ট্য ভিন্ন হলে মডেলের ভবিষ্যদ্বাণী পরিবর্তন হয় না।
এই কাউন্টারফ্যাকচুয়াল ডেটাসেটটি কীভাবে বিকাশ করবেন তার বিশদ বিবরণের জন্য, একটি কাস্টম কাউন্টারফ্যাকচুয়াল ডেটাসেট তৈরির নোটবুকটি দেখুন।
ফ্লিপ কাউন্ট এবং ফ্লিপ রেট পরিমাপ করুন
উদাহরণে উল্লেখ করা সংবেদনশীল বৈশিষ্ট্য পরিবর্তিত হলে একটি ফ্লিপকে একটি ভিন্ন সিদ্ধান্ত প্রদানকারী একটি শ্রেণিবিন্যাসকারী হিসাবে সংজ্ঞায়িত করা হয়। এটি এমন পরিস্থিতি ক্যাপচার করে যেখানে একটি শ্রেণীবিভাগকারী একটি পরিচয় বৈশিষ্ট্যের উপস্থিতি, অনুপস্থিতি বা পরিবর্তনে তার ভবিষ্যদ্বাণী পরিবর্তন করে। একটি শ্রেণীবিভাগের প্রকৃত মান (স্কোর) মূল্যায়ন করার সময় একটি আরো একটানা মেট্রিক ব্যবহার করা উচিত।
ফ্লিপ কাউন্ট
প্রদত্ত উদাহরণে পরিচয় শব্দটি পরিবর্তিত হলে শ্রেণীবিভাগকারী কতবার ভিন্ন সিদ্ধান্ত দেয় তা ফ্লিপ গণনা পরিমাপ করে।
- সামগ্রিক ফ্লিপ কাউন্ট : একটি ভবিষ্যদ্বাণীর মোট ফ্লিপ ইতিবাচক থেকে নেতিবাচক এবং এর বিপরীতে।
- নেতিবাচক ভবিষ্যদ্বাণী ফ্লিপ কাউন্টে ইতিবাচক : ফ্লিপের সংখ্যা যেখানে ভবিষ্যদ্বাণী লেবেল ইতিবাচক থেকে নেতিবাচক তে পরিবর্তিত হয়েছে৷
- নেতিবাচক থেকে ইতিবাচক ভবিষ্যদ্বাণী ফ্লিপ কাউন্ট : ফ্লিপের সংখ্যা যেখানে পূর্বাভাস লেবেল নেতিবাচক থেকে ইতিবাচক তে পরিবর্তিত হয়েছে৷
ফ্লিপ রেট
ফ্লিপ রেট সম্ভাব্যতা পরিমাপ করে যে শ্রেণীবদ্ধকারী একটি ভিন্ন সিদ্ধান্ত দেয় যদি প্রদত্ত উদাহরণে পরিচয় শব্দটি পরিবর্তন করা হয়।
- সামগ্রিক ফ্লিপ রেট : উদাহরণের মোট সংখ্যার উপর মোট ফ্লিপ গণনা
- নেতিবাচক ভবিষ্যদ্বাণী ফ্লিপ রেট থেকে ইতিবাচক : কাউন্টারফ্যাকচুয়াল ডেটাসেটে ইতিবাচক উদাহরণের তুলনায় নেতিবাচক থেকে নেতিবাচক ফ্লিপ গণনা
- নেতিবাচক থেকে ইতিবাচক ভবিষ্যদ্বাণী ফ্লিপ রেট : কাউন্টারফ্যাকচুয়াল ডেটাসেটে নেতিবাচক উদাহরণের তুলনায় নেতিবাচক থেকে পজিটিভ ফ্লিপ গণনা
ন্যায্যতা সূচকগুলির সাথে ফ্লিপ রেট এবং ফ্লিপ গণনা গণনা করার পরে, আপনি নির্ধারণ করতে পারেন যে শ্রেণীবদ্ধকারী ডেটার মধ্যে একটি সংবেদনশীল বৈশিষ্ট্যের উপর ভিত্তি করে একটি ভিন্ন ভবিষ্যদ্বাণী করছে কিনা৷ CLP প্রয়োগ করার জন্য আপনার কাছে পর্যাপ্ত ডেটা আছে কিনা তা নির্ধারণ করতে এবং ফ্লিপ রেট থেকে উপসংহার আঁকতে আপনি উদাহরণ গণনা এবং আত্মবিশ্বাসের ব্যবধান ব্যবহার করতে পারেন। একটি উচ্চ ফ্লিপ রেট এবং ফ্লিপ গণনা এই আচরণের ইঙ্গিত দেয় এবং CLP আপনার ব্যবহারের ক্ষেত্রে উপযুক্ত কিনা তা সিদ্ধান্ত নিতে ব্যবহার করা যেতে পারে। এই সিদ্ধান্তটি আপনার মডেলের জন্য সুনির্দিষ্ট এবং শেষ ব্যবহারকারীদের জন্য ক্ষতির কারণ এবং মডেলটি যে পণ্যে ব্যবহার করা হয়েছে তার মতো বিষয়গুলির উপর নির্ভর করে৷
আপনার কেরাস মডেলে কাউন্টারফ্যাকচুয়াল লগিট পেয়ারিং প্রয়োগ করুন
CLP ব্যবহার করার জন্য, আপনার প্রয়োজন মূল কেরাস মডেল যা আপনি প্রতিকার করতে চাইছেন, মূল প্রশিক্ষণ ডেটাসেট এবং কাউন্টারফ্যাকচুয়াল ডেটাসেট। লজিট পেয়ারিংয়ের জন্য কোন counterfactual loss প্রয়োগ করা উচিত তা নির্ধারণ করুন। এটির সাহায্যে, আপনি আপনার আসল মডেল থেকে কাঙ্ক্ষিত কাউন্টারফ্যাকচুয়াল লস ফাংশন এবং লস ফাংশন সহ কাউন্টারফ্যাকচুয়াল মডেল তৈরি করতে পারেন।
CLP প্রয়োগ করার পরে, এই কৌশলটি প্রয়োগ করার ফলে যে উন্নতি হয়েছে তা পরিমাপ করার জন্য আপনাকে ফ্লিপ রেট এবং ফ্লিপ গণনা এবং অন্যান্য মেট্রিক্সের যেকোনো পরিবর্তন যেমন সামগ্রিক নির্ভুলতা গণনা করা উচিত।