Funktionsweise von "Variableneinfluss für Vorhersagen bewerten"
Das Werkzeug Variableneinfluss für Vorhersagen bewerten bewertet, wie erklärende Variablen die vorhergesagten Werte in Modelldateien für räumliche Statistiken (.ssm) beeinflussen, die vom Werkzeug Forest-basierte und geboostete Klassifizierung und Regression erstellt werden. Sie müssen Eingabe-Features bereitstellen, die die erklärenden Variablen, die zum Trainieren der Eingabe-Modelldatei verwendet wurden, sowie überstimmende Felder erklärender Variablen, Entfernungs-Features und erklärende Raster enthalten. Das Werkzeug erstellt eine Ausgabetabelle mit Diagrammen und Werten, aus denen hervorgeht, welche Variablen die prognostizierten Werte beeinflusst haben und wie die Beziehung aussieht.
Traditionelle Regressionsmodelle wie kleinste Quadrate (Ordinary Least Squares, OLS) oder logistische Regression erklären variablen Einfluss durch Koeffizienten. Beispielsweise geben die Koeffizienten der OLS-Methode an, um wie viel sich die Vorhersagen erhöhen oder verringern, wenn eine bestimmte erklärende Variable zunimmt, und die Koeffizienten der logistischen Regression zeigen, wie sich das Chancenverhältnis bei der Vorhersage von Kategorien verändert. Maschinelle Lernmodelle sind jedoch typischerweise nicht linear und haben keine einfachen Koeffizienten, die erklären, wie sich Vorhersagen für verschiedene Werte erklärender Variablen ändern. Ein gängiger Ansatz zur Visualisierung des Einflusses jeder erklärenden Variablen auf vorhergesagte Werte ist die Verwendung von partiellen Abhängigkeitsplots.
Partielle Abhängigkeitsplots
Partielle Abhängigkeitsplots zeigen, wie sich die Vorhersagen im Durchschnitt für verschiedene Werte jeder erklärenden Variable ändern, wobei alle anderen erklärenden Variablenwerte konstant bleiben. Zum Beispiel bilden partielle Abhängigkeitsplots in OLS eine gerade Linie mit der Steigung gleich dem Koeffizienten. Bei maschinellen Lernmodellen sind die Beziehungen jedoch nicht linear, sodass die Vorhersagen für einige Bereiche der erklärenden Variablen steigen, für andere abnehmen oder komplexere Kurven bilden können.
Beispielsweise zeigt der folgende Plot, wie eine abhängige Variable auf verschiedene Werte einer erklärenden Variablen reagiert. Große und kleine Werte der erklärenden Variablen führen im Durchschnitt zu größeren vorhergesagten Werten, während Werte in der Mitte zu niedrigeren vorhergesagten Werten führen.
Hinweis:
Der partielle Abhängigkeitsplot für eine erklärende Variable wird erstellt, indem Vorhersagen mit verschiedenen Werten der erklärenden Variable durchgeführt werden, während alle anderen erklärenden Variablen auf ihren ursprünglichen Werten belassen werden. Für jeden getesteten Wert werden für jedes Eingabe-Feature Vorhersagen berechnet und anschließend gemittelt. Die Durchschnittswerte werden dann gegenüber den getesteten Werten der erklärenden Variablen grafisch dargestellt.
Kontinuierliche erklärende Variablen
Das Diagramm Teilantwort von kontinuierlichen Variablen zeigt die partiellen Abhängigkeitsplots für jede kontinuierliche erklärende Variable. Die Werte der erklärenden Variablen werden auf der X-Achse angezeigt und die durchschnittlich vorhergesagten Werte auf der Y-Achse.
Jede kontinuierliche erklärende Variable wird in einem Raster links angezeigt, und Sie können auf jede Variable klicken, um das einzelne Diagramm rechts anzuzeigen. Die Diagramme im Raster weisen denselben Maßstab auf der Y-Achse auf, damit sich ihre Ergebnisse leichter vergleichen lassen.
Kategoriale erklärende Variablen
Das Diagramm Teilantwort von Kategorievariablen zeigt die partiellen Abhängigkeitsplots für jede kategoriale erklärende Variable. Auf der X-Achse sind die einzelnen Kategorien der kategorialen Variablen dargestellt, auf der Y-Achse die durchschnittlichen Vorhersagewerte.
Zum Beispiel zeigt das folgende Bild die partiellen Abhängigkeitsplots für zwei kategoriale erklärende Variablen, nämlich Farbe und Typ. Für die Farbvariable führt Blau zu einem niedrigeren vorhergesagten Wert, Rot führt zu höheren vorhergesagten Werten und Grün führt zu etwas höheren Werten. Ähnlich führt Typ C zu niedrigeren vorhergesagten Werten und die Typen A und D zu höheren vorhergesagten Werten.
Kategoriale abhängige Variablen
Wenn die abhängige Variable kategorial ist (ein Klassifizierungsmodell), dann zeigen die partiellen Abhängigkeitsplots, wie sich die einzelnen Variablen auf die Wahrscheinlichkeit einer Klassifizierung auswirken. Standardmäßig wird auf der Y-Achse jedes Diagramms die durchschnittliche Wahrscheinlichkeit angezeigt, mit der das Feature der ersten Kategorie zugeordnet wird. Sie können die im Diagramm angezeigte Kategorie jedoch im Bereich Diagrammeigenschaften ändern. Klicken Sie auf der Registerkarte Daten auf die Schaltfläche Auswählen unter Numerische Felder, und wählen Sie die Kategorie aus, die angezeigt werden soll. Aktivieren Sie immer nur eine Kategorie, damit der partielle Abhängigkeitsplot im Diagramm korrekt dargestellt wird.
Empfehlungen und Beschränkungen
Bei der Verwendung dieses Werkzeugs gelten die folgenden Empfehlungen und Beschränkungen:
- Partielle Abhängigkeitsplots gehen davon aus, dass jede erklärende Variable unabhängig ist. Partielle Abhängigkeitsplots zeigen die Wirkung jeder erklärenden Variablen isoliert, aber wenn mehrere Variablen korreliert sind und gemeinsame Transinformationen haben, lassen sich ihre individuellen Einflüsse in diesen Plots nicht voneinander trennen. Dies ist analog zur Multikollinearität in der traditionellen Regression.