Elastyczne, kontrolowane i interpretowalne ML z modelami sieciowymi
import numpy as np
import tensorflow as tf
import tensorflow_lattice as tfl
model = tf.keras.models.Sequential()
model.add(
tfl.layers.ParallelCombination([
# Monotonic piece-wise linear calibration with bounded output
tfl.layers.PWLCalibration(
monotonicity='increasing',
input_keypoints=np.linspace(1., 5., num=20),
output_min=0.0,
output_max=1.0),
# Diminishing returns
tfl.layers.PWLCalibration(
monotonicity='increasing',
convexity='concave',
input_keypoints=np.linspace(0., 200., num=20),
output_min=0.0,
output_max=2.0),
# Partially monotonic categorical calibration: calib(0) <= calib(1)
tfl.layers.CategoricalCalibration(
num_buckets=4,
output_min=0.0,
output_max=1.0,
monotonicities=[(0, 1)]),
]))
model.add(
tfl.layers.Lattice(
lattice_sizes=[2, 3, 2],
monotonicities=['increasing', 'increasing', 'increasing'],
# Trust: model is more responsive to input 0 if input 1 increases
edgeworth_trusts=(0, 1, 'positive')))
model.compile(...)
TensorFlow Lattice to biblioteka, która implementuje ograniczone i interpretowalne modele oparte na sieci. Biblioteka umożliwia wprowadzenie wiedzy z domeny do procesu uczenia się poprzez zdroworozsądkowe lub oparte na zasadach ograniczenia kształtu . Odbywa się to za pomocą kolekcji warstw Keras, które mogą spełnić ograniczenia, takie jak monotoniczność, wypukłość i interakcje między funkcjami. Biblioteka zapewnia również łatwe do skonfigurowania gotowe modele i gotowe estymatory .
Dzięki TF Lattice możesz wykorzystać wiedzę o domenie, aby lepiej ekstrapolować do części przestrzeni wejściowej, które nie są objęte treningowym zestawem danych. Pomaga to uniknąć nieoczekiwanego zachowania modelu, gdy dystrybucja udostępniania różni się od dystrybucji uczenia.
