Гибкий, управляемый и интерпретируемый ML с решеточными моделями
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_size=[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 - это библиотека, которая реализует ограниченные и интерпретируемые модели на основе решетки. Библиотека позволяет вам внедрять знания предметной области в процесс обучения с помощью здравого смысла или ограничений формы, основанных на политике. Это делается с использованием набора слоев Keras, которые могут удовлетворять таким ограничениям, как монотонность, выпуклость и взаимодействие элементов. Библиотека также предоставляет простые для установки готовые модели и стандартные оценки .
С TF Lattice вы можете использовать знание предметной области, чтобы лучше экстраполировать на части входного пространства, не охватываемые обучающим набором данных. Это помогает избежать неожиданного поведения модели, когда распределение обслуживания отличается от распределения обучения.
