Karşı Olgusal Logit Eşleştirmenin (CLP) kullanım durumunuz için uygun teknik olduğunu belirledikten sonra aşağıdaki adımları izleyerek uygulayabilirsiniz:
- Orijinal ve karşıolgusal verilerle
CounterfactualPackedInputsbir örneğini oluşturun . - Müdahalenin gerekli olup olmadığını belirlemek için çevirme hızını ve çevirme sayısını ölçün .
- Müdahale gerekiyorsa, orijinal girdi verilerini, karşı olgusal verileri, orijinal modeli ve karşı olgusal kaybı karşı olgusal modele aktarın .
- Çevirme oranını ve çevirme sayısını ölçerek CLP'nin etkisini değerlendirin.
CLP'yi bir Keras modeline uygulamanın bir örneğini görmek için Keras ile Karşılıklı Logit Eşleştirmeyi Kullanma öğreticisine bakın.
CounterfactualPackedInputs bir örneğini oluşturun
Karşıolgusal veri kümesini oluşturmak için, kaldırmak veya değiştirildiğinde modelinizin tahminini değiştirebilecek, değerlendirmek istediğiniz terimleri ve özellikleri belirleyerek başlayın.
Değerlendirilecek şartları ve özellikleri anladıktan sonra, orijinal girişi ve karşı olgusal verileri içeren bir CounterfactualPackedInputs örneği oluşturmanız gerekecektir. Orijinal giriş, Keras modelinizi eğitmek için kullandığınız veri kümesi olmalıdır. Karşıolgusal verilerde bir original_x değeri, bir counterfactual_x değeri ve counterfactual_sample_weight bulunur. Karşıolgusal değer, orijinal değerle hemen hemen aynı olmalıdır; aradaki fark, bir veya daha fazla hassas özelliğin kaldırılması veya değiştirilmesidir. Karşıolgusal veri kümesinin kalitesi önemlidir, çünkü hassas nitelik farklı olduğunda modelin tahmininin değişmemesini sağlamak amacıyla orijinal değer ile karşıolgusal değer arasındaki kayıp fonksiyonunu eşleştirmek için kullanılır.
Bu karşı-olgusal veri kümesinin nasıl geliştirileceğine ilişkin ayrıntılar için, özel bir karşı-olgusal veri kümesi oluşturma hakkındaki not defterine bakın.
Çevirme sayısını ve çevirme oranını ölçün
Çevirme, örnekte başvurulan hassas nitelik değiştiğinde farklı bir karar veren bir sınıflandırıcı olarak tanımlanır. Bir sınıflandırıcının, bir kimlik özelliğinin varlığında, yokluğunda veya değişmesi durumunda tahminini değiştirdiği durumu yakalar. Bir sınıflandırıcının gerçek değerini (puanını) değerlendirirken daha sürekli bir ölçüm kullanılmalıdır.
Çevirme Sayısı
Çevirme sayısı, belirli bir örnekteki kimlik teriminin değişmesi durumunda sınıflandırıcının kaç kez farklı karar verdiğini ölçer.
- Genel Çevirme Sayısı : Bir tahminin pozitiften negatife ve tam tersine toplam dönüşümü.
- Pozitiften Negatife Tahmin Çevirme Sayısı : Tahmin etiketinin pozitiften negatife değiştiği çevirme sayısı.
- Negatiften Pozitife Tahmin Çevirme Sayısı : Tahmin etiketinin negatiften pozitife değiştiği çevirme sayısı.
Çevirme Oranı
Çevirme oranı, belirli bir örnekteki kimlik teriminin değişmesi durumunda sınıflandırıcının farklı bir karar verme olasılığını ölçer.
- Genel Çevirme Oranı : Toplam örnek sayısı üzerinden toplam çevirme sayısı
- Pozitiften Negatife Tahmin Çevirme Oranı : Karşıolgusal veri kümesindeki pozitif örnekler üzerinden pozitiften negatife çevirme sayısı
- Negatiften Pozitif Tahmine Çevirme Oranı : Karşıolgusal veri kümesindeki negatif örnekler üzerinde negatiften pozitife çevirme sayısı
Adillik Göstergeleri ile çevirme oranını ve çevirme sayısını hesapladıktan sonra, sınıflandırıcının verilerdeki hassas bir özelliğe dayalı olarak farklı bir tahminde bulunup bulunmadığını belirleyebilirsiniz. CLP'yi uygulamak ve dönüş oranından sonuç çıkarmak için yeterli veriye sahip olup olmadığınızı belirlemek için örnek sayısını ve güven aralıklarını kullanabilirsiniz. Yüksek bir çevirme oranı ve çevirme sayısı bu davranışın meydana geldiğinin göstergesidir ve CLP'nin kullanım durumunuz için uygun olup olmadığına karar vermek için kullanılabilir. Bu karar modelinize özel olup, son kullanıcıya verebileceği zarar, modelin kullanıldığı ürün gibi faktörlere bağlıdır.
Keras Modelinize Karşı Olgusal Logit Eşleştirmeyi Uygulayın
CLP'yi kullanmak için iyileştirmek istediğiniz orijinal Keras modeline, orijinal eğitim veri kümesine ve karşı olgusal veri kümesine ihtiyacınız vardır. Logit eşleştirme için hangi counterfactual loss uygulanması gerektiğini belirleyin. Bununla, orijinal modelinizden istediğiniz karşı-olgusal kayıp fonksiyonu ve kayıp fonksiyonu ile Karşı Olgusal modeli oluşturabilirsiniz.
CLP'yi uyguladıktan sonra, bu tekniğin uygulanmasından kaynaklanan iyileşmeyi ölçmek için atış hızını ve atış sayısını ve genel doğruluk gibi diğer ölçümlerdeki değişiklikleri hesaplamanız gerekir.