Kafes tabanlı modellerle 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_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, kısıtlı ve yorumlanabilir kafes tabanlı modelleri uygulayan bir kitaplıktır. Kitaplık sağduyu ya da politika güdümlü aracılığıyla öğrenme sürecine etki alanı bilgisini enjekte sağlayan şekil kısıtlamaları . Bu bir koleksiyon kullanılarak yapılır Keras katmanları böyle monotonluk Dışbükeylik olarak kısıtlamaları tatmin edebilir ve nasıl etkileşim bulunmaktadır. Kütüphanede ayrıca kurulum kolaylığı sağlar önceden yapılmış modelleri ve konserve tahmin edicilerin .
TF Kafes ile, eğitim veri kümesi tarafından kapsanmayan giriş alanının bölümlerine daha iyi tahminde bulunmak için alan bilgisini kullanabilirsiniz. Bu, hizmet dağıtımı eğitim dağıtımından farklı olduğunda beklenmeyen model davranışının önlenmesine yardımcı olur.
