微软推ML.NET 0.9计算强化模型可解释性

微软的.NET机器学习框架ML.NET现推出0.9版本，这次更新的重点加入了特征贡献计算（Feature Contribution Calculation，FCC）以加强模型的可解释性，还为ONNX模型增加GPU支持，另外也对一些API进行改善。ML.NET可让使用者创建常用的机器学习模型，执行诸如分类、回归、排名、推荐和异常检测等应用，并且还整合热门的深度学习框架TensorFlow，以及强化与ONNX实作的互操作性，广泛支持机器学习的开源生态系。 ML.NET常见的使用案例包括情感分析、建议、图像分类、销售预测等。ML.NET加入了FCC，帮助用户计算数据样本中，每个特征对模型得分的贡献量，以找出应用特定和单一数据样本的模型预测，其影响最大的特征。微软提到，FCC对于包含许多特征和属性的历史数据特别有用，因为在模型中同时使用太多特征，反而会降低效能与准确性。用户可以利用FCC，从初始属性集中，找出最具正面或是负面影响力的属性。

特征贡献计算可以被用在ML.NET工作管线中，当作其中的一个步骤，能够补充ML.NET 模型可解释工具置换特征重要性（Permutation Feature Importance，PFI）的不足，置换特征重要性是ML.NET 0.8中加入的技术，可以对整体特征进行重要性评估。而这次微软也对PFI做出更新，PFI现在可以支持大多数的学习任务，包括回归、二元分类、多类分类和排名，PFI也支持用户计算特征重要性分数的信赖区间，方便评估分数平均值。在API改进方面，ML.NET 0.9简化加载文字数据的方式，当使用TextLoader时，除了像之前一样直接指定文档属性，现在也能以数据模型类别指定字段属性。而当用户评估模型质量时，除了分数字段，现在还可以多取得可信度。ML.NET 0.9加入新的键值映射估计器，而这个新功能将取代原本的TermLookupTransform，为指定两个值间的映像关系提供新方法。ML.NET 0.9现支持CUDA 10.0的GPU，以提高ONNX模型执行的能力，但以GPU执行ONNX模型，目前只能在64位Windows上运作，Linux和Mac版本的支持将在之后加入。另外，微软也为Visual Studio加入ML.NET项目样板，其使用情境包括ML.NET控制面板应用程序以及ML.NET模型函式库，用户可以透过范例了解，如何在应用程序中使用机器学习模型，还有创建新的机器学习模型函式库，并在应用程序中使用的方法。