Felelős AI-elemzések létrehozása a YAML és a Python használatával
ÉRVÉNYES:Azure CLI ml-bővítmény v2 (aktuális)
Python SDK azure-ai-ml v2 (aktuális)
Felelős AI-irányítópultot és scorecardot egy folyamatfeladaton keresztül hozhat létre felelős AI-összetevők használatával. A Felelősen alkalmazott mesterséges intelligencia irányítópultok létrehozásához hat alapvető összetevő, valamint néhány segédösszetevő használható. Íme egy minta kísérletdiagram:
Felelős AI-összetevők
A Felelős AI-irányítópult Azure Machine Learningben való létrehozásának alapvető összetevői a következők:
RAI Insights dashboard constructor
- Az eszköz összetevői:
Add Explanation to RAI Insights dashboard
Add Causal to RAI Insights dashboard
Add Counterfactuals to RAI Insights dashboard
Add Error Analysis to RAI Insights dashboard
Gather RAI Insights dashboard
Gather RAI Insights score card
A RAI Insights dashboard constructor
és a Gather RAI Insights dashboard
összetevő mindig kötelező, valamint legalább egy eszközösszetevőt is használni kell. Azonban nem szükséges minden felelős AI-irányítópulton használni az összes eszközt.
A következő szakaszokban a Felelős AI-összetevők specifikációi és a YAML-ben és Pythonban található kódrészletek példái találhatók.
Fontos
A cikkben megjelölt (előzetes verziójú) elemek jelenleg nyilvános előzetes verzióban érhetők el. Az előzetes verzió szolgáltatásszint-szerződés nélkül érhető el, és éles számítási feladatokhoz nem ajánlott. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik. További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.
Korlátozások
Az összetevők jelenlegi készlete számos korlátozást tartalmaz a használatukra:
- Minden modellt MLflow formátumban kell regisztrálni az Azure Machine Learningben egy sklearn (scikit-learn) verzióval.
- A modelleknek betölthetőnek kell lenniük az összetevő-környezetben.
- A modelleknek savanyúnak kell lenniük.
- A modelleket az általunk biztosított összetevő használatával kell megadni a
Fetch Registered Model
Felelős AI-összetevőknek. - Az adathalmaz bemeneteinek formátumuknak
mltable
kell lennie. - A modellt akkor is meg kell adni, ha csak az adatok okozati elemzése történik. Erre a célra használhatja a scikit-learn és a
DummyClassifier
DummyRegressor
becslőket.
R AI-elemzések irányítópult-konstruktor
Ez az összetevő három bemeneti portot tartalmaz:
- A gépi tanulási modell
- A betanítási adatkészlet
- A tesztadatkészlet
Ha modellkeresési elemzéseket szeretne létrehozni olyan összetevőkkel, mint a hibaelemzés és a modell magyarázata, használja a modell betanítása során használt betanítási és tesztelési adatkészletet. Az olyan összetevők esetében, mint az ok-okozati elemzés, amelyhez nincs szükség modellre, a betanítási adatkészlet használatával betaníthatja az oksági modellt az oksági elemzések létrehozásához. A tesztadatkészlettel feltöltheti a Felelős AI-irányítópult vizualizációit.
A modell megadásának legegyszerűbb módja, ha regisztrálja a bemeneti modellt, és ugyanarra a modellre hivatkozik az összetevő bemeneti portjában RAI Insight Constructor
, amelyet a cikk későbbi részében tárgyalunk.
Feljegyzés
Jelenleg csak az MLflow formátumú és az ízesített sklearn
modellek támogatottak.
A két adathalmaznak formátumot kell tartalmaznia mltable
. A betanítási és tesztelési adatkészleteknek nem kell megegyezniük a modell betanításához használt adatkészletekkel, de lehetnek azonosak. Alapértelmezés szerint teljesítménybeli okokból a tesztadatkészlet a vizualizáció felhasználói felületének 5000 sorára korlátozódik.
A konstruktor-összetevő a következő paramétereket is elfogadja:
Paraméter neve | Leírás | Típus |
---|---|---|
title |
Az irányítópult rövid leírása. | Sztring |
task_type |
Megadja, hogy a modell besoroláshoz, regresszióhoz vagy előrejelzéshez készült-e. | Sztring, classification , regression vagy forecasting |
target_column_name |
A bemeneti adathalmazok oszlopának neve, amelyet a modell előrejelezni próbál. | Sztring |
maximum_rows_for_test_dataset |
A tesztadatkészletben megengedett sorok maximális száma teljesítménybeli okokból. | Egész szám, alapértelmezés szerint 5000 |
categorical_column_names |
Az adathalmazok oszlopai, amelyek kategorikus adatokat jelölnek. | A sztringekválasztható listája 1 |
classes |
A betanítási adatkészlet osztálycímkéinek teljes listája. | A sztringekválasztható listája 1 |
feature_metadata |
A tevékenység típusától függően további információkat ad meg, amelyekre az irányítópultnak szüksége lehet. Az előrejelzéshez ez magában foglalja annak megadását, hogy melyik oszlop az datetime oszlop, és melyik oszlop az time_series_id oszlop. A látás szempontjából ez a kép átlagos képpontértékét vagy helyadatait is tartalmazhatja. |
A sztringekválasztható listája 1 |
use_model_dependency |
Megadja, hogy a modellhez külön Docker-tárolót kell-e kiszolgálni az RAI-irányítópulttal ütköző függőségek miatt. Az előrejelzéshez ezt engedélyezni kell. Ez általában más forgatókönyvek esetében nincs engedélyezve. | Logikai |
1 A listákat egyetlen JSON-kódolt sztringként categorical_column_names
kell megadni a bemenetekhezclasses
feature_metadata
.
A konstruktor-összetevő egyetlen kimenettel rendelkezik rai_insights_dashboard
. Ez egy üres irányítópult, amelyen az egyes eszközösszetevők működnek. Az összes eredményt az Gather RAI Insights dashboard
összetevő összeállítja a végén.
create_rai_job:
type: command
component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_constructor/versions/<get current version>
inputs:
title: From YAML snippet
task_type: regression
type: mlflow_model
path: azureml:<registered_model_name>:<registered model version>
train_dataset: ${{parent.inputs.my_training_data}}
test_dataset: ${{parent.inputs.my_test_data}}
target_column_name: ${{parent.inputs.target_column_name}}
categorical_column_names: '["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]'
Ok-okozati összefüggés hozzáadása az R AI-elemzések irányítópulthoz
Ez az összetevő ok-okozati elemzést végez a megadott adathalmazokon. Egyetlen bemeneti portja van, amely elfogadja a kimenetet RAI Insights dashboard constructor
. A következő paramétereket is elfogadja:
Paraméter neve | Leírás | Írja be a következőt: |
---|---|---|
treatment_features |
Az adathalmazok funkcióneveinek listája, amelyek a különböző eredmények elérése érdekében "kezelhetők". | Sztringeklistája 2. |
heterogeneity_features |
Az adathalmazok funkcióneveinek listája, amely befolyásolhatja a "kezelhető" funkciók működését. Alapértelmezés szerint a rendszer minden funkciót figyelembe vesz. | A sztringekválasztható listája 2. |
nuisance_model |
A kezelési jellemzők módosításának eredményének becslésére használt modell. | Nem kötelező sztring. Az alapértelmezett linear értéknek vagy AutoML annak kell lennielinear . |
heterogeneity_model |
A heterogenitási jellemzők eredményre gyakorolt hatásának becslésére használt modell. | Nem kötelező sztring. Az alapértelmezett linear értéknek vagy forest annak kell lennielinear . |
alpha |
Megbízhatósági intervallumok megbízhatósági szintje. | Nem kötelező lebegőpontos szám, alapértelmezés szerint 0,05. |
upper_bound_on_cat_expansion |
A kategorikus funkciók maximális bővítése. | Nem kötelező egész szám, alapértelmezés szerint 50. |
treatment_cost |
A kezelések költsége. Ha 0, minden kezelés nulla költséggel jár. Ha a rendszer egy listát ad át, a rendszer minden elemet alkalmaz az treatment_features egyik gombra.Minden elem skaláris érték lehet, amely a kezelés állandó költségét jelzi, vagy egy tömb, amely az egyes minták költségét jelzi. Ha a kezelés különálló kezelés, a funkció tömbjének kétdimenziósnak kell lennie, az első dimenzió a mintákat, a második pedig a nem alapértelmezett értékek és az alapértelmezett érték közötti költségkülönbséget jelöli. |
Nem kötelező egész szám vagy 2. lista. |
min_tree_leaf_samples |
A házirendfán lévő levélenkénti minták minimális száma. | Nem kötelező egész szám, alapértelmezés szerint 2. |
max_tree_depth |
A házirendfa maximális mélysége. | Nem kötelező egész szám, alapértelmezés szerint 2. |
skip_cat_limit_checks |
Alapértelmezés szerint a kategorikus funkcióknak több példánysal kell rendelkezniük az egyes kategóriákból ahhoz, hogy a modell megfelelően illeszkedjen. Ha ezt úgy állítja be, hogy True kihagyja ezeket az ellenőrzéseket. |
Nem kötelező logikai érték, alapértelmezés szerint a .False |
categories |
A kategorikus oszlopokhoz használandó kategóriák. Ha auto , akkor a kategóriák az összes kategorikus oszlopra következtetnek. Ellenkező esetben ennek az argumentumnak annyi bejegyzést kell megadnia, amennyit kategorikus oszlopok tartalmaznak.Minden bejegyzésnek auto az adott oszlop értékeit vagy az oszlop értékeinek listáját kell kikövetkezőnek lennie. Ha explicit értékeket ad meg, a rendszer az első értéket annak az oszlopnak a "vezérlő" értékének tekinti, amelyhez más értékeket hasonlít össze. |
Nem kötelező, auto vagy a 2. lista. |
n_jobs |
A használandó párhuzamossági fok. | Nem kötelező egész szám, alapértelmezés szerint 1. |
verbose |
Azt fejezi ki, hogy a számítás során részletes kimenetet adjon-e meg. | Nem kötelező egész szám, alapértelmezés szerint 1. |
random_state |
A pszeudorandom számgenerátor (PRNG) magja. | Nem kötelező egész szám. |
2 A paraméterek esetében list
: Több paraméter más típusú listákat (sztringeket, számokat, sőt más listákat) is elfogad. Ahhoz, hogy ezeket át lehessen adni az összetevőnek, először JSON-kódolással kell rendelkezniük egyetlen sztringben.
Ez az összetevő egyetlen kimeneti porttal rendelkezik, amely az összetevő egyik insight_[n]
bemeneti portjához Gather RAI Insights Dashboard
csatlakoztatható.
causal_01:
type: command
component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_causal/versions/<version>
inputs:
rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}
treatment_features: `["Number of GitHub repos contributed to", "YOE"]'
Számlálók hozzáadása az R AI-elemzések irányítópulthoz
Ez az összetevő kontrafaktuális pontokat hoz létre a megadott tesztadatkészlethez. Egyetlen bemeneti porttal rendelkezik, amely elfogadja az R AI-elemzések irányítópult konstruktorának kimenetét. A következő paramétereket is elfogadja:
Paraméter neve | Leírás | Típus |
---|---|---|
total_CFs |
A tesztadatkészlet minden sorához létrehozandó számlálópontok száma. | Nem kötelező egész szám, alapértelmezés szerint 10. |
method |
A dice-ml magyarázó, amit használni kell. |
Nem kötelező sztring. Vagy random , genetic vagy kdtree . Alapértelmezett érték: random . |
desired_class |
A kívánt számlálóosztályt azonosító index. Bináris besorolás esetén ennek a beállításnak opposite a következőre kell lennie: . |
Nem kötelező sztring vagy egész szám. Alapértelmezés szerint 0. |
desired_range |
Regressziós problémák esetén azonosítsa a kívánt eredménytartományt. | Két számválasztható listája 3. |
permitted_range |
Szótár kulcsként a funkciónevekkel és a lista megengedett tartományával értékként. A betanítási adatokból levont tartomány alapértelmezett értéke. | Nem kötelező sztring vagy 3. lista. |
features_to_vary |
Egy sztring all vagy egy változó funkciónevek listája. |
Nem kötelező sztring vagy 3. lista. |
feature_importance |
Jelölő a funkció fontosságainak kiszámításához a következő használatával dice-ml : . |
Nem kötelező logikai érték. Alapértelmezett érték: True . |
3 A nem skaláris paraméterek esetében: A listákat vagy szótárakat tartalmazó paramétereket egyetlen JSON-kódolt sztringként kell átadni.
Ez az összetevő egyetlen kimeneti porttal rendelkezik, amely az összetevő egyik insight_[n]
bemeneti portjához Gather RAI Insights dashboard
csatlakoztatható.
counterfactual_01:
type: command
component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_counterfactual/versions/<version>
inputs:
rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}
total_CFs: 10
desired_range: "[5, 10]"
Hibaelemzés hozzáadása az R AI-elemzések irányítópulthoz
Ez az összetevő hibaelemzést hoz létre a modellhez. Egyetlen bemeneti portja van, amely elfogadja a kimenetet RAI Insights Dashboard Constructor
. A következő paramétereket is elfogadja:
Paraméter neve | Leírás | Típus |
---|---|---|
max_depth |
A hibaelemzési fa maximális mélysége. | Nem kötelező egész szám. Alapértelmezett érték: 3. |
num_leaves |
A hibafa leveleinek maximális száma. | Nem kötelező egész szám. Alapértelmezett érték: 31. |
min_child_samples |
A levél előállításához szükséges adatpontok minimális száma. | Nem kötelező egész szám. Alapértelmezés szerint 20. |
filter_features |
A mátrixszűrőhöz használandó egy vagy két funkció listája. | Nem kötelező lista, amely egyetlen JSON-kódolt sztringként lesz átadva. |
Ez az összetevő egyetlen kimeneti porttal rendelkezik, amely az összetevő egyik insight_[n]
bemeneti portjához Gather RAI Insights Dashboard
csatlakoztatható.
error_analysis_01:
type: command
component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_erroranalysis/versions/<version>
inputs:
rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}
filter_features: `["style", "Employer"]'
Magyarázat hozzáadása az R AI-elemzések irányítópulthoz
Ez az összetevő a modell magyarázatát hozza létre. Egyetlen bemeneti portja van, amely elfogadja a kimenetet RAI Insights Dashboard Constructor
. Egyetlen, opcionális megjegyzéssztringet fogad el paraméterként.
Ez az összetevő egyetlen kimeneti porttal rendelkezik, amely az R AI-elemzések összegyűjtése irányítópult-összetevő egyik insight_[n]
bemeneti portjához csatlakoztatható.
explain_01:
type: command
component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_explanation/versions/<version>
inputs:
comment: My comment
rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}
R AI-elemzések-irányítópult összegyűjtése
Ez az összetevő egyetlen felelős AI-irányítópulton állítja össze a létrehozott megállapításokat. Öt bemeneti portja van:
- Az
constructor
R AI-elemzések irányítópult konstruktor összetevőjéhez csatlakoztatandó port. - Négy
insight_[n]
port, amelyek csatlakoztathatók az eszközösszetevők kimenetéhez. Legalább egy portot csatlakoztatni kell.
Két kimeneti port van:
- A
dashboard
port tartalmazza a készRAIInsights
objektumot. - A
ux_json
port tartalmazza a minimális irányítópult megjelenítéséhez szükséges adatokat.
gather_01:
type: command
component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_gather/versions/<version>
inputs:
constructor: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}
insight_1: ${{parent.jobs.causal_01.outputs.causal}}
insight_2: ${{parent.jobs.counterfactual_01.outputs.counterfactual}}
insight_3: ${{parent.jobs.error_analysis_01.outputs.error_analysis}}
insight_4: ${{parent.jobs.explain_01.outputs.explanation}}
Felelős AI scorecard létrehozása (előzetes verzió)
A konfigurációs szakasz megköveteli, hogy a probléma körül a tartomány szakértelmét használva állítsa be a kívánt célértékeket a modell teljesítmény- és méltányossági metrikáihoz.
A YAML-folyamatban konfigurált többi felelős AI-irányítópult-összetevőhöz hasonlóan hozzáadhat egy összetevőt a scorecard létrehozásához a YAML-folyamatban:
scorecard_01:
type: command
component: azureml:rai_score_card@latest
inputs:
dashboard: ${{parent.jobs.gather_01.outputs.dashboard}}
pdf_generation_config:
type: uri_file
path: ./pdf_gen.json
mode: download
predefined_cohorts_json:
type: uri_file
path: ./cohorts.json
mode: download
Ahol pdf_gen.json a score card generation configuration json fájl, és predifined_cohorts_json azonosító az előre összeállított kohorsz definíciós json-fájl.
Íme egy minta JSON-fájl a kohorszdefinícióhoz és a scorecard-generációs konfigurációhoz:
Kohorszdefiníció:
[
{
"name": "High Yoe",
"cohort_filter_list": [
{
"method": "greater",
"arg": [
5
],
"column": "YOE"
}
]
},
{
"name": "Low Yoe",
"cohort_filter_list": [
{
"method": "less",
"arg": [
6.5
],
"column": "YOE"
}
]
}
]
Íme egy scorecard-generációs konfigurációs fájl regressziós példaként:
{
"Model": {
"ModelName": "GPT-2 Access",
"ModelType": "Regression",
"ModelSummary": "This is a regression model to analyze how likely a programmer is given access to GPT-2"
},
"Metrics": {
"mean_absolute_error": {
"threshold": "<=20"
},
"mean_squared_error": {}
},
"FeatureImportance": {
"top_n": 6
},
"DataExplorer": {
"features": [
"YOE",
"age"
]
},
"Fairness": {
"metric": ["mean_squared_error"],
"sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
"fairness_evaluation_kind": "difference OR ratio"
},
"Cohorts": [
"High Yoe",
"Low Yoe"
]
}
Íme egy scorecard-generációs konfigurációs fájl besorolási példaként:
{
"Model": {
"ModelName": "Housing Price Range Prediction",
"ModelType": "Classification",
"ModelSummary": "This model is a classifier that predicts whether the house will sell for more than the median price."
},
"Metrics" :{
"accuracy_score": {
"threshold": ">=0.85"
},
}
"FeatureImportance": {
"top_n": 6
},
"DataExplorer": {
"features": [
"YearBuilt",
"OverallQual",
"GarageCars"
]
},
"Fairness": {
"metric": ["accuracy_score", "selection_rate"],
"sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
"fairness_evaluation_kind": "difference OR ratio"
}
}
A Felelős AI scorecard összetevő bemeneteinek meghatározása
Ez a szakasz felsorolja és meghatározza a felelős AI scorecard összetevő konfigurálásához szükséges paramétereket.
Modell
ModelName | Modell neve |
---|---|
ModelType |
Értékek a "besorolásban", a "regresszióban". |
ModelSummary |
Írja be a modellt összegző szöveget. |
Feljegyzés
Többosztályos besorolás esetén először a One-vs-Rest stratégiával válassza ki a referenciaosztályt, majd ossza fel a többosztályos besorolási modellt a kiválasztott referenciaosztály bináris besorolási problémájára a többi osztálysal szemben.
Mérőszámok
Teljesítménymetrika | Definíció | Modell típusa |
---|---|---|
accuracy_score |
A helyesen besorolt adatpontok törtrésze. | Osztályozás |
precision_score |
Az 1. besorolású adatpontok között helyesen besorolt adatpontok törtrésze. | Osztályozás |
recall_score |
A helyesen besorolt adatpontok aránya azok között, amelyek valódi címkéje 1. Alternatív nevek: valódi pozitív arány, érzékenység. | Osztályozás |
f1_score |
Az F1 pontszám a pontosság és a visszahívás harmonikus középértékét jelenti. | Osztályozás |
error_rate |
Azoknak a példányoknak az aránya, amelyek helytelenül vannak besorolva a teljes példánykészletre. | Osztályozás |
mean_absolute_error |
A hibák abszolút értékeinek átlaga. Robusztusabb a kiugró értékekhez képest mean_squared_error . |
Regresszió |
mean_squared_error |
A négyzetes hibák átlaga. | Regresszió |
median_absolute_error |
A négyzetes hibák mediánja. | Regresszió |
r2_score |
A modell által magyarázott variancia törtrésze a címkékben. | Regresszió |
Küszöbérték: A kijelölt metrika kívánt küszöbértéke. Az engedélyezett matematikai jogkivonatok a következők>: , <>= és <=m, amelyet valós szám követ. Az = 0,75 például azt jelenti, >hogy a kiválasztott metrika célértéke nagyobb vagy egyenlő 0,75-nél.
Funkció fontossága
top_n: A megjelenítendő funkciók száma, legfeljebb 10-zel. Legfeljebb 10 pozitív egész szám engedélyezett.
Méltányosság
Metrika | Definíció |
---|---|
metric |
A kiértékelési méltányosság elsődleges mérőszáma. |
sensitive_features |
A bemeneti adatkészlet azon funkcióneveinek listája, amelyek a méltányossági jelentés bizalmas funkcióiként lesznek kijelölve. |
fairness_evaluation_kind |
Értékek a "különbségben", az "arányban". |
threshold |
A méltányosság-értékelés kívánt célértékei . Az engedélyezett matematikai jogkivonatok a következők>: , <>= és <=, amelyet valós szám követ. Például: metric="accuracy", fairness_evaluation_kind="difference". <= 0,05 azt jelenti, hogy a pontosság különbségének célja kisebb vagy egyenlő, mint 0,05. |
Feljegyzés
A választott fairness_evaluation_kind
érték (a "különbség" és az "arány" kiválasztása) hatással van a célérték skálájára. A kijelölésben ügyeljen arra, hogy értelmes célértéket válasszon.
A scorecard méltányossági felmérési összetevőjének konfigurálásához a következő metrikák közül választhat, párosítva fairness_evaluation_kind
ezzel:
Metrika | fairness_evaluation_kind | Definíció | Modell típusa |
---|---|---|---|
accuracy_score |
különbség | A pontossági pontszám két csoport közötti maximális különbsége. | Osztályozás |
accuracy_score |
arány | A pontossági pontszám minimális aránya két csoport között. | Osztályozás |
precision_score |
különbség | A pontossági pontszám két csoport közötti maximális különbsége. | Osztályozás |
precision_score |
arány | A pontossági pontszám két csoport közötti maximális aránya. | Osztályozás |
recall_score |
különbség | A visszahívási pontszám két csoport közötti maximális különbsége. | Osztályozás |
recall_score |
arány | A visszahívási pontszám két csoport közötti maximális aránya. | Osztályozás |
f1_score |
különbség | Az f1 pontszámának maximális különbsége két csoport között. | Osztályozás |
f1_score |
arány | A két csoport közötti f1 pontszám maximális aránya. | Osztályozás |
error_rate |
különbség | A hibaarány két csoport közötti maximális különbsége. | Osztályozás |
error_rate |
arány | A hibaarány két csoport közötti maximális aránya. | Osztályozás |
Selection_rate |
különbség | A két csoport közötti kiválasztási arány legnagyobb különbsége. | Osztályozás |
Selection_rate |
arány | A két csoport közötti kiválasztási arány maximális aránya. | Osztályozás |
mean_absolute_error |
különbség | A két csoport közötti átlagos abszolút hiba legnagyobb különbsége. | Regresszió |
mean_absolute_error |
arány | A két csoport közötti átlagos abszolút hiba maximális aránya. | Regresszió |
mean_squared_error |
különbség | A két csoport közötti átlagos négyzetes hiba legnagyobb különbsége. | Regresszió |
mean_squared_error |
arány | A két csoport közötti átlagos négyzetes hiba maximális aránya. | Regresszió |
median_absolute_error |
különbség | A medián abszolút hiba legnagyobb különbsége két csoport között. | Regresszió |
median_absolute_error |
arány | A medián abszolút hiba maximális aránya két csoport között. | Regresszió |
r2_score |
különbség | Az R2 pontszámának maximális különbsége két csoport között. | Regresszió |
r2_Score |
arány | Az R2 pontszámának maximális aránya két csoport között. | Regresszió |
Bemeneti korlátozások
Milyen modellformátumok és -ízek támogatottak?
A modellnek az MLflow könyvtárban kell lennie egy elérhető sklearn-ízzel. Emellett a modellnek betölthetőnek kell lennie a felelős AI-összetevők által használt környezetben.
Milyen adatformátumok támogatottak?
A megadott adathalmazoknak táblázatos adatokkal kell rendelkeznie mltable
.
Következő lépések
- Miután létrehozta a Felelős AI-irányítópultot, tekintse meg, hogyan érheti el és használhatja azt az Azure Machine Learning Studióban.
- Összegezze és ossza meg a felelős AI-megállapításokat a Felelős AI scorecarddal PDF-exportálásként.
- További információ a Felelős AI-irányítópult mögötti fogalmakról és technikákról.
- További információ az adatok felelősségteljes gyűjtéséről.
- Tekintse meg a YAML- és Python-mintajegyzetfüzeteket a Felelős AI-irányítópult yaML-lel vagy Pythonnal való létrehozásához.
- További információ arról, hogyan használhatja a Felelős AI-irányítópultot és scorecardot az adatok és modellek hibakeresésére, és hogyan tájékoztathatja a jobb döntéshozatalt ebben a tech-közösségi blogbejegyzésben.
- Megtudhatja, hogyan használta a felelős AI-irányítópultot és scorecardot az Egyesült Királyság nemzeti Állapotfigyelő szolgáltatás (NHS) egy valós ügyféltörténetben.
- Ezen az interaktív AI-tesztkörnyezet webes bemutatóján keresztül megismerheti a Felelős AI-irányítópult funkcióit.