微軟釋出機器學習框架ML.NET 0.8，以PFI技術增加模型可解釋性

微軟更新了開源跨平臺機器學習框架ML.NET，釋出0.8版本，本次更新主要有四個部分，除了支援新的推薦情境，也以特徵重要性增加了模型的可解釋性，還讓開發者能預覽記憶體內資料集，提升整體可偵錯性，另外，ML.NET 0.8也強化了一系列API功能。

ML.NET允許開發者創建與使用常見使用情境的機器學習模型，進行情緒分析、問題分類、預測、推薦、詐欺偵測以及圖像分類等工作，微軟在這次更新更擴增了ML.NET 0.8可以應用的推薦情境。推薦系統可以為產品目錄、歌曲或是電影等產品產生推薦列表，在許多網路應用已經廣泛的使用這類技術，而ML.NET使用矩陣分解（Matrix Factorization）和場域分解機（Field Aware Factorization Machines）的推薦方法來實現推薦系統，通常場域分解機可以用在比矩陣分解更普遍的使用案例，也能傳遞額外的元資料。

而在ML.NET 0.8中，微軟為矩陣分解增加了額外的推薦情境，現在開發者可以藉由產品ID以及共同購買產品的ID推薦產品，也就是說，現在即便只有商店歷史訂購資料，依然可以使用ML.NET提供產品建議。微軟提到，這是一種常見的使用情境，因為多數時候推薦系統並沒有可用的評分，而在ML.NET 0.8中，利用歷史購買資料依然可以向使用者提供，透過經常購買產品所產生的建議列表。

此外，微軟在ML.NET 0.8加入了一個方便的偵錯功能，開發者透過預覽資料就能進行偵錯。在多數的情況下，開發者使用工作管線載入資料時，能查看載入到ML.NET DataView的資料，對偵錯很有幫助，確保資料經過各種轉換步驟後，其處理仍在掌握之中。開發者現在可以檢視DataView架構，只要將滑鼠停留在IDataView物件上，就能擴展並查看架構屬性。

在ML.NET 0.8版本中，微軟為ML.NET加入了內部使用來解釋模型的API，幫助機器學習開發人員，更好地理解模型的整體特徵重要性，並創建可被解釋的模型。在創建機器學習模型的時候，開發者通常無法簡單的預測和評估準確性，而總體特徵重要性可以幫助開發者了解，對於整體模型而言最重要的特徵是哪些，以便進行良好的預測，例如預測汽車價格時，里程和品牌可能比起顏色還要重要許多。

微軟透過置換特徵重要性（Permutation Feature Importance，PFI）技術，以實現整體特徵重要性評估，PFI會對整個使用案例，將特徵值設置爲隨機值，以評估該特徵對模型的影響。微軟表示，PFI方法的優點在於它與模型本身無關，可用於評估各種模型，且可以用於任何資料集，而不僅是訓練資料集。

ML.NET 0.8也改進了一系列API相關功能，現在開發者可以在DataView中使用過濾器，針對用於訓練模型的資料進行過濾，像是在發生資料異常的情況，刪除特定資料列中特定邊界之外的數值。開發者可以使用FilterByColumn（）等過濾器API完成相關的功能。

另外，當估算器要多次迭代資料，開發者也可以選擇使用快取API，暫時儲存資料，減少從檔案中讀取資料的頻率，以加快整體訓練的執行速度。開發者也可以在IDataView（IDV）中，啟用二進位格式保存與載入資料，以加速資料處理效率，微軟舉例，開發者在將文字特徵轉為稀疏向量時，可以存為二進位格式，方便其他開發者重複進行實驗。