फीचर महत्व

फीचर महत्व क्या है?

फीचर महत्व प्रत्येक भविष्यवक्ता चर के लक्ष्य चर भविष्यवाणी में योगदान को मापता है। सबसे प्रभावशाली कारकों की पहचान करता है और मॉडल सरल करता है।

विधियाँ: सहसंबंध रैंकिंग (निरपेक्ष |r|), क्रमपरिवर्तन महत्व (फीचर शफ़ल पर गिरावट), मॉडल-आधारित (गुणांक आकार, अशुद्धि कमी)।

उच्च महत्व कार्यकारणता नहीं दर्शाता। सहसंबद्ध फीचर महत्व साझा कर सकते हैं। कई विधियों के परिणाम तुलना करें।

Formula: क्रमचय महत्व (यह टूल): R²₀ = सभी प्रेडिक्टर पर y के न्यूनतम वर्ग फ़िट का R² xⱼ को फेंटें, फिर फ़िट करें, R²π(j) दर्ज करें — 100 बार, स्थिर seed Importance_j = R²₀ − औसत R²π(j) सामान्यीकृत नहीं: योग 1 होना ज़रूरी नहीं; ≈ 0 या थोड़ा ऋणात्मक = कोई योगदान नहीं अन्य विधियाँ: |r(xⱼ, y)| (सहसंबंध) · |βⱼ| × std(xⱼ) (रिग्रेशन)

गणना उदाहरण

दस छात्र: पढ़ाई के घंटे 2/4/6/8/10/3/7/5/9/6, नींद के घंटे 6/8/5/7/6/5/8/7/5/8, स्क्रीन समय 3/5/4/2/6/2/5/1/3/4, परीक्षा अंक 51/58/58/79/75/50/75/70/73/71। तीनों प्रेडिक्टर मिलकर R² = 0.98 देते हैं। पढ़ाई के घंटे फेंटकर फिर फ़िट करने पर R² औसतन 0.71 घटता है, नींद के घंटों से 0.19, स्क्रीन समय से 0.07 — पढ़ाई के घंटे सबसे महत्वपूर्ण हैं। स्कोर का योग 1 नहीं बल्कि 0.97 है, क्योंकि हर स्कोर R² में गिरावट है, उसका हिस्सा नहीं। हर स्कोर के साथ 100 फेंटों में उसका फैलाव दिखता है (पढ़ाई के घंटों के लिए 0.16) — दस पंक्तियों में एक फेंट स्कोर को काफ़ी बदल सकता है।

इस कैलकुलेटर का उपयोग कब करें

• कोई डेटा वैज्ञानिक जो आयाम घटाने और प्रदर्शन सुधारने के लिए मशीन लर्निंग मॉडल के प्रशिक्षण से पहले फ़ीचर चयन कर रहा हो
• कोई बिज़नेस विश्लेषक जो पहचान रहा हो कि कौन-से कारक लक्ष्य परिणाम (उदा., ग्राहक चर्न, दोष दर, बिक्री) को सबसे अधिक प्रभावित करते हैं
• कोई शोधकर्ता जो रुचि के परिणाम हेतु पूर्वानुमान महत्व के आधार पर आगे जाँच के लिए चरों को प्राथमिकता दे रहा हो
• कोई इंजीनियर जो दर्जनों सेंसर रीडिंग या प्रक्रिया पैरामीटरों में से वे कुछ चुन रहा हो जो वास्तव में उत्पाद गुणवत्ता को संचालित करते हैं

बचने योग्य सामान्य गलतियाँ

• केवल एक महत्व विधि पर निर्भर रहना — विभिन्न विधियाँ, विशेषकर सहसंबद्ध फ़ीचरों के लिए, भिन्न रैंकिंग दे सकती हैं; सहसंबंध-आधारित, रिग्रेशन-आधारित और क्रमचय दृष्टिकोणों की तुलना करें
• महत्व को कार्य-कारण समझ लेना — कोई फ़ीचर कारक हुए बिना भी पूर्वानुमान के लिए अति महत्वपूर्ण हो सकता है; सहसंबंध और कार्य-कारण में भेद के लिए डोमेन विशेषज्ञता आवश्यक है
• अंतःक्रियाएँ महत्वपूर्ण होने पर केवल कम व्यक्तिगत महत्व के आधार पर फ़ीचर हटाना — दो व्यक्तिगत रूप से दुर्बल फ़ीचर मिलकर अत्यधिक पूर्वानुमायक हो सकते हैं; हटाने से पहले फ़ीचर संयोजनों का परीक्षण करें
• रिग्रेशन-आधारित महत्व से पहले फ़ीचर पैमानों को सामान्यीकृत न करना — गुणांक परिमाण चर के पैमाने पर निर्भर है; पहले फ़ीचर मानकीकृत करें या मानकीकृत गुणांक उपयोग करें

परिणामों की व्याख्या कैसे करें

• 0.2 से अधिक सामान्यीकृत महत्व स्कोर वाले फ़ीचर प्रबल योगदानकर्ता हैं — इन्हें किसी भी पूर्वानुमान मॉडल में अवश्य शामिल किया जाना चाहिए
• शून्य के निकट महत्व स्कोर वाले फ़ीचर पूर्वानुमान में बहुत कम मूल्य जोड़ते हैं और हटाने के उम्मीदवार हैं — परंतु हटाने से पहले क्रॉस-वैलिडेशन से सत्यापित करें
• यदि शीर्ष 2-3 फ़ीचर कुल महत्व का 80%+ रखते हैं, तो आपका लक्ष्य चर मुख्यतः कुछ प्रमुख कारकों से संचालित है — सुधार प्रयास वहीं केंद्रित करें

संबंधित मानक और संदर्भ

• Breiman, L. (2001), 'Random Forests', Machine Learning 45 — परम्यूटेशन महत्व की शुरुआत, जो इस टूल में प्रयुक्त विधि है
• Fisher, Rudin & Dominici (2019), 'All Models are Wrong, but Many are Useful', Journal of Machine Learning Research — मॉडल-अज्ञेय परम्यूटेशन महत्व (model reliance) ढाँचा
• Molnar, C., Interpretable Machine Learning — परम्यूटेशन फ़ीचर महत्व और सहसंबद्ध फ़ीचरों के साथ उसकी कमियों पर व्यावहारिक मार्गदर्शन

अक्सर पूछे जाने वाले प्रश्न

भिन्न विधियाँ भिन्न रैंकिंग क्यों देती हैं?

प्रत्येक विधि 'महत्व' का भिन्न पहलू मापती है। सहसंबंध रेखीय संबंध कैप्चर करता है, क्रमपरिवर्तन भविष्यवाणी योगदान मापता है।

कम महत्व के फीचर हटाएँ?

सामान्यतः हाँ, लेकिन क्रॉस-वैलिडेशन से प्रदर्शन जाँचें। कुछ फीचर अंतःक्रिया से योगदान कर सकते हैं।