Kafes tabanlı modellere sahip esnek, kontrollü ve yorumlanabilir ML
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 Kafes, kısıtlamalı ve yorumlanabilir kafes tabanlı modelleri uygulayan bir kütüphanedir. Kütüphane, sağduyu veya politika odaklı şekil kısıtlamaları yoluyla alan bilgisini öğrenme sürecine enjekte etmenizi sağlar. Bu, monotonluk, dışbükeylik ve özelliklerin nasıl etkileşime girdiği gibi kısıtlamaları karşılayabilen bir Keras katmanları koleksiyonu kullanılarak yapılır. Kütüphane aynı zamanda hazır modelleri ve hazır tahmincileri kurmayı da sağlar.
TF Kafes ile, giriş alanının eğitim veri seti tarafından kapsanmayan kısımlarını daha iyi tahmin etmek için alan bilgisini kullanabilirsiniz. Bu, sunum dağıtımı eğitim dağılımından farklı olduğunda beklenmedik model davranışını önlemeye yardımcı olur.
