aderem4/lofo-importance
این ابزار برای محاسبه‌ی اهمیت ویژگی‌ها در مدل‌های یادگیری ماشین استفاده می‌شود.
کاربرد:
این کتابخانه با حذف یک ویژگی در هر مرحله، تأثیر آن روی عملکرد مدل رو اندازه‌گیری می‌کنه. این روش بهتر از روش‌های سنتی مثل permutation importance هست، چون وابستگی بین ویژگی‌ها رو هم در نظر می‌گیره.
در چه شرایطی بهتره استفاده شود؟
وقتی دیتاست شما ویژگی‌های زیادی داره و می‌خواید بدونید کدوم‌ها واقعاً تأثیرگذارن، یا وقتی می‌خواید مدل ساده‌تر و سریع‌تری داشته باشید، این ابزار عالیه. همچنین برای داده‌های با وابستگی بالا بین ویژگی‌ها مناسب‌تره.
چند مثال از موارد استفاده:
تشخیص ویژگی‌های بی‌فایده در پیش‌بینی قیمت خانه
انتخاب بهترین ویژگی‌ها برای مدل تشخیص تقلب در تراکنش‌های بانکی
بهبود مدل پیش‌بینی کننده بیماری‌ها با حذف ویژگی‌های تأثیرناپذیر
- ##FeatureImportance
- ##MachineLearning
- ##LOFO
- ##ModelInterpretability
- ##DataScience
- ##ML
- ##AI
- ##PredictiveModeling
- ##FeatureSelection
- ##Python