Estás leyendo la publicación: Tensorflow Lattice: un marco para modelos monotónicos con datos variables
Se espera que cualquier modelo desarrollado cuando se implemente funcione mejor para diferentes condiciones y características de datos variables. Los modelos flexibles de aprendizaje automático y aprendizaje profundo que se utilizan en su mayoría no tendrán las características para capturar ciertas relaciones importantes en los datos y funcionar como se espera en la fase de prueba. Aquí es donde la red de Tensorflow nos ayuda a capturar algunas de las relaciones monótonas en los datos y nos ayuda a obtener un modelo más generalizado independientemente de las diversas tendencias en los datos.
Tabla de contenido
- ¿Qué es un entramado?
- Introducción a la biblioteca de celosía de Tensorflow
- La necesidad de la biblioteca de celosía Tensorflow
- Una descripción general de las capas de celosía de TensorFlow
- Beneficios de la red Tensorflow
- Resumen
¿Qué es un entramado?
La red en términos simples puede entenderse como las tablas de búsqueda utilizadas para calcular varios valores en matemáticas. De manera similar, la red es una tabla de búsqueda interpolada que puede aproximar cualquier relación de entrada y salida en los datos con la capacidad de ser codificada por múltiples tablas de búsqueda y múltiples valores clave para varios rangos de datos.
Supongamos que hay una tabla de búsqueda con valores solo para valores enteros correctos como 0,1,2, etc.
Pero queremos determinar el valor de 0,5 de la tabla de consulta. Entonces, en este caso, se consideran los valores de búsqueda de 0 y 1 y se realizan algunas operaciones matemáticas correspondientes para obtener el valor aproximado de 0,5. Aquí es donde las redes nos ayudan a tener tablas de búsqueda interpoladas para valores con varios rangos y nos ayudan a obtener el valor óptimo correcto con la flexibilidad de adaptarse a varios valores clave interrelacionados y pueden usarse para aproximar características multidimensionales. Con esto, se pueden capturar múltiples relaciones de entrada y salida en los datos y varias características de los datos usando Lattices.
¿Está buscando un repositorio completo de bibliotecas de Python utilizadas en ciencia de datos, echa un vistazo aquí.
Introducción a la biblioteca de celosía de Tensorflow
La biblioteca de celosía de Tensorflow es una biblioteca dinámica con la capacidad de capturar las diversas relaciones y tendencias de los datos independientemente del ruido en los datos. La biblioteca de celosía de TensorFlow se usa cuando se espera una mayor precisión del modelo que se presenta para la prueba. Por lo tanto, se espera y se garantiza que cualquier modelo típico de TensorFlow creado con la biblioteca de celosía y las restricciones de TensorFlow tendrá un comportamiento excelente para tipos de datos similares en los que no se entrena.
La biblioteca de celosía de Tensorflow aprovecha las tablas de búsqueda y funciona de manera similar a las tablas de búsqueda, en las que se codifican varios valores de entrada para capturar las relaciones y garantizar un comportamiento monótono para los datos ocultos. La biblioteca también nos permite hacer cumplir ciertas restricciones para satisfacer ciertos requisitos para datos variables. Ahora profundicemos un poco en la biblioteca de celosía de Tensorflow e intentemos comprender algunas de las limitaciones de la biblioteca.
La biblioteca de celosía TensorFlow se puede integrar fácilmente en cualquiera de los modelos de Keras para lograr monotonicidad. La librería utiliza ciertas funciones y estimadores y ofrece ciertas capas para asegurar la monotonicidad del modelo desarrollado.
La necesidad de la biblioteca de celosía Tensorflow
La principal necesidad de la biblioteca de celosía de Tensorflow se debe a las restricciones que se pueden imponer en las diversas dimensiones de los datos que nos ayudan a obtener un modelo más confiable y genérico que se puede usar en varias aplicaciones. La precisión no se ve comprometida en el modelado de celosía de Tensorflow, independientemente de la tendencia inesperada en los datos, y los modelos de celosía de Tensorflow no se ven afectados en absoluto por los valores atípicos, ya que se entrenarán adecuadamente para eventos no vistos.
Resumamos algunos de los puntos clave que plantean la necesidad de la biblioteca de celosía Tensorflow.
- Especificar monotonicidad para cada característica de la entrada para obtener un modelo más robusto y genérico. Entonces, la salida varía relativamente de acuerdo con las restricciones de monotonicidad impuestas.
- Especificar las formas de función según los datos en uso para ser cóncava o convexa. Especificar la forma de la función con la restricción de monotonicidad nos ayuda a acelerar el procesamiento independientemente de las dimensiones de los datos.
- Especificar el rango de valores para un determinado conjunto de características es fácil a través de Unimodality. Esto ayuda a que ciertas características se encuentren dentro del rango de valores decidido por cierta experiencia en el tema y estas características tendrán el mismo conjunto de rango para datos variables.
- La representación semántica y el peso de ciertas características de los datos se pueden configurar en consecuencia. Esto asegura que el modelo ya esté entrenado para ciertos parámetros sensibles y características altamente correlacionadas. Esto nos ayuda a erradicar los problemas asociados con la multicolinealidad y ayuda a obtener un modelo más genérico.
- La biblioteca de celosía Tensorflow proporciona varios regularizadores incorporados que nos ayudan a controlar ciertos conjuntos de características en consecuencia y con respecto a las relaciones lineales y no lineales en los datos.
Una descripción general de las capas de celosía de TensorFlow
La biblioteca de celosía de Tensorflow tiene ciertas capas para normalizar características, considera las entradas únicas o multidimensionales y normaliza las entradas para garantizar la monotonicidad y hacer cumplir ciertas restricciones para un comportamiento sensible para datos variables. Algunas de las capas de celosía estándar de Tensorflow que se utilizan son
i) Capa de calibración PWL considera ciertos parámetros, como el tamaño del lote y las unidades, y transforma las unidades para transformar cada una de las unidades en funciones lineales para seguir la monotonicidad de ciertas restricciones impuestas. Para datos multidimensionales, cada una de las unidades de entrada se transformará de acuerdo con las restricciones de cada una de las dimensiones de entrada o cada una de las entradas se transformará de acuerdo con una única restricción para cada una de las entradas.
Sintaxis: tfl.layers.PWLCalibration(**kwargs)
Algunos de los argumentos de palabras clave generalmente utilizados son puntos clave de entrada, rangos de salida mínimos y máximos, monotonicidad que se debe garantizar y muchos más.
ii) Capa de calibración categórica es similar a la capa de calibración PWL. Pero los parámetros usados en la capa de calibración categórica son diferentes de la capa de calibración PWL. La monotonicidad para la capa de calibración categórica se menciona en forma de valores enteros para cada par de entradas y la capa de calibración categórica es propensa a producir una mayor precisión de prueba en comparación con la capa de calibración PWL, ya que en la capa de calibración PWL tenemos muy pocos parámetros de monotonicidad. declarar.
Sintaxis: tfl.layers.CategoricalCalibration(**kwargs)
Algunos de los argumentos de palabras clave estándar incluyen el número de cubos, la monotonicidad como un conjunto de números enteros y muchos más.
iii) Capa de combinación paralela se utiliza para combinar las diversas capas de calibración que se utilizarán durante el modelado. Todas las capas que se utilizarán para desarrollar el modelo secuencial se incorporarán a la capa de combinación paralela. La red o capa de salida se definirá inmediatamente después de la capa de combinación paralela.
Sintaxis: tfl.layers.ParallelCombination(**kwargs)
Algunos de los argumentos más utilizados en la capa Combinación paralela son la lista de capas de calibración, los tensores de salida requeridos y muchos más.
iv) Capa de celosía de la biblioteca de celosía de Tensorflow es la capa más importante y esta capa se utiliza para el modelado. La capa es responsable de realizar la interpolación con respecto a las diversas dimensiones de los datos. La capa de red es responsable de operar como una tabla de consulta interpolada de acuerdo con el tamaño de red mencionado en esta capa respectiva. En la capa de celosía, el tamaño de la celosía se menciona en forma de número entero, y las restricciones de monotonicidad para cada una de las características se pueden mencionar como ninguna, aumentando, 0, 1. Con estas restricciones de monotonicidad, se pueden aplicar ciertos parámetros a ciertas restricciones. y ciertos parámetros se pueden dejar como están. La aplicación de restricciones con respecto a la dimensión de los datos es completamente subjetiva y según el requisito con respecto al cambio en los datos y parámetros.
Sintaxis: tfl.layers.Lattice(**kwargs)
Algunos de los argumentos de palabras clave más utilizados en la capa de celosía incluyen los tamaños de celosía, las unidades
en función de la dimensión de la entrada, monotonicidades y muchos más.
Estas son algunas de las capas que ofrece Tensorflow lattice para la creación de modelos usando la biblioteca. Posteriormente, el modelo puede compilarse contra los datos divididos y compilarse adecuadamente para varios parámetros. El objetivo principal de usar la biblioteca de celosía de Tensorflow es obtener un modelo genérico para datos variables y cambios de datos inciertos. Por lo tanto, el modelo de celosía de TensorFlow se puede enfatizar más para probar cambiando los datos o validar su rendimiento para cambios ocultos o drásticos en los datos.
Beneficios de la red Tensorflow
Algunos de los beneficios del modelo de celosía Tensorflow se enumeran a continuación.
- Un modelo entrenado en celosía entrenado para un dato en particular se puede usar para entrenar un tipo similar de datos con ciertas restricciones que se aplican.
- Con el conjunto de restricciones que se aplican en la capa Lattice, los modelos obtenidos de la biblioteca de celosía de Tensorflow son más genéricos.
- Los estimadores preconstruidos están pre-entrenados para aprender rápidamente las características requeridas de los datos, independientemente de las dimensiones de los datos.
- El modelado de celosía de TensorFlow es fácil y los parámetros del modelo son fáciles de interpretar.
- Nos ayuda a obtener un modelo preciso y flexible y es altamente flexible con varias técnicas de regularización.
Resumen
El propósito principal de cualquier desarrollo de modelo es obtener un modelo confiable y genérico. Pero en la situación actual de variación en los datos con un volumen creciente de datos, no se puede esperar un carácter genérico. Aquí es donde la biblioteca de celosía de Tensorflow nos ayuda a obtener un modelo más confiable y genérico. El objetivo principal del modelado de celosía es obtener altas precisiones cuando se prueban tipos de datos similares en diferentes condiciones. Los modelos de celosía de TensorFlow con experiencia en el tema imponen ciertas restricciones en ciertas características de los datos y, de acuerdo con las restricciones aplicadas, el modelo funciona según lo esperado en diferentes escenarios de prueba.
